论文部分内容阅读
模糊C均值聚类(FCM)图像分割法是一种典型且常用的模糊聚类图像分割算法,该方法原理简单,迭代过程能够自适应,但是该方法也存在一些明显的缺陷:对噪声敏感且对重叠部分图像分割不准确。鉴于此,在已有的改进FCM算法的基础上,本文将模糊集扩展为直觉模糊集,并结合图像的空间信息提出了一种基于直觉模糊C均值聚类(IFCM)算法的图像分割方法,直觉模糊集在模糊集上增加了非隶属度函数,即用隶属度及非隶属度来描述集合的模糊性,这比经典模糊集表示模糊性更精确。论文的具体工作及研究内容如下:1、介绍了传统的模糊C均值聚类(FCM)算法并讨论了其在图像分割时存在的优缺点。针对FCM算法只利用灰度信息导致图像分割不准确的缺点,讨论了几种结合空间信息的改进FCM算法。2、由于直觉模糊集(IFS)比模糊集(FS)更能准确地刻画数据的不确定性,本文构造了一种直觉模糊集并将该直觉模糊集引入到模糊C均值聚类算法中,提出了一种直觉模糊C均值算法(IFCM)。通过实验验证IFCM算法取得了较好的分割效果。3、对现有的直觉模糊熵公式进行了分类,并分析了各类公式的优缺点。针对熵公式在处理隶属度与非隶属度相等的特殊情况时存在的问题,本文提出了一种直觉模糊熵的严格化定义,在此基础上给出了一种新的熵公式,验证了新的熵对这种特殊情况的处理更为合理。4、为了克服现有FCM算法对噪声敏感的缺点,本文在直觉模糊C均值算法(IFCM)中引入空间信息及改进的直觉模糊熵,提出了一种基于改进的直觉模糊C均值聚类(IFCM)算法的图像分割方法。为了更有效地获得改进的直觉模糊C均值聚类算法的最优解,提出了一种基于退火策略的粒子群优化算法,并将该优化算法运用于本文改进算法的最优值。对比实验验证了本文提出的图像分割方法能够有效避免了噪声的影响,取得了较好的分割效果。