基于中智C-均值聚類的分割算法研究.pdf

1、由于信息科學(xué)技術(shù)的迅猛發(fā)展，信息量呈現(xiàn)爆炸式增長。而圖像是人類獲取信息的重要途徑。通常人們獲取的圖像信息中，并非所有信息都是必需的。因此，需要用到圖像分割技術(shù)提取并分析圖像中關(guān)鍵信息。圖像分割是圖像處理中的關(guān)鍵步驟之一，是圖像描述、表示的必要前提和基礎(chǔ)。在理論研究、實(shí)際應(yīng)用中均得到較為廣泛的重視，如醫(yī)學(xué)、軍事等行業(yè)。
　　目前，在已有的圖像分割算法中，模糊C-均值聚類算法(Fuzzy C-Means Clustering Algo

2、rithm，F(xiàn)CM)是最受學(xué)者們青睞的一種圖像分割方法。該算法應(yīng)用最廣，稱為一切算法的基礎(chǔ)。然而該算法并未考慮像素間的關(guān)系，易受異常值干擾且分類效果不明顯。眾多學(xué)者在此基礎(chǔ)上進(jìn)行一系列拓展改良與發(fā)展，使得該方法具有更好的分割效果，然而這些改進(jìn)后算法的計(jì)算時(shí)間均較長。為此，中智模糊C-聚類算法(Neutrosophic C-means Clustering Algorithm，NCM)被提出，該算法靈感來自FCM和中智集合框架，雖然縮短了

3、FCM計(jì)算時(shí)間長、提高了分類精度，但抗噪性差等缺點(diǎn)仍未得到改善。為了增強(qiáng)NCM法的抗噪性和魯棒性，本文將二維直方圖、鄰域空間信息、再生希爾伯特核函數(shù)等概念加入該算法中，進(jìn)行改進(jìn)及優(yōu)化，提出一系列新的算法，并圍繞這幾個(gè)算法展開以下研究內(nèi)容:
　　1.介紹模糊集理論、FCM法以及NCM法，分析了FCM和NCM兩種算法的異同。引入鄰域像素均值，將各像素與其鄰域像素均值相結(jié)合，形成二元數(shù)組，統(tǒng)計(jì)其出現(xiàn)的頻次，由此構(gòu)造二維直方圖，提出了一種

4、新算法——基于二維直方圖中智模糊C-均值聚類算法(Neutrosophic C-means Clustering Algorithm Based on Two Dimensional Histogram，2DH-NCM)。在圖像分割視覺效果上，新算法相比中智模糊C-均值聚類分割法具有更好的抗噪能力和分割效果。而分割圖像的峰值信噪比(Peak Signal to NoiseRatio，PSNR)顯示，新算法的PSNR值相較于其他算法最大，

5、大于FCM算法5-7dB，大于2DH-FC算法3-4.5dB，大于NCM算法2-3dB。
　　2.針對(duì)NCM算法的隸屬度迭代表達(dá)式存在的不足，在中智模糊C-均值聚類的目標(biāo)函數(shù)上采用拉格朗日乘子法，優(yōu)化NCM算法目標(biāo)函數(shù)的隸屬度、聚類中心，提出新算法——改進(jìn)的中智模糊聚類算法并及其應(yīng)用于圖像分割。實(shí)驗(yàn)測試研究了不同加權(quán)因子對(duì)算法抗噪性能影響測試，且驗(yàn)證了改進(jìn)的算法的可行性和有效性。
　　3.針對(duì)NCM算法對(duì)非凸不規(guī)則數(shù)據(jù)的聚類

6、性能較差的缺點(diǎn)，將再生希爾伯特核函數(shù)概念嵌入NCM算法，用內(nèi)核誘導(dǎo)距離代替歐氏距離，利用Mercer條件的非線性問題，低維線性不可分的模式被映射到可分高維空間，優(yōu)化輸入圖像樣本特征。由此，提出新算法——核空間中智模糊C-均值聚類算法(Neutrosophic C-means Clustering Algorithm in Kernel Space，KNCM)，新算法得到的圖像聚類分割結(jié)果更穩(wěn)定，提高算法的抗噪能力。在圖像分割視覺效果上，

7、新算法具有更好的抗噪能力和分割效果。新算法的PSNR值相較于其他算法最大，約大于FCM算法1-4.3dB，大于KFCM算法1.2-3.3dB，大于NCM算法0.4-2.3B。
　　4.為提高NCM算法魯棒性，鄰域信息約束函數(shù)被嵌入到該算法中，像素間被充分聯(lián)系起來，提出新算法——鄰域信息約束中智模糊C-聚類算法(Neutrosophic C-means Clustering Algorithm in Location Informa

8、tion，LNCM)。通過對(duì)圖像去噪測試，證實(shí)新的算法能夠滿足圖像分割需要，并且具有良好的魯棒性。
　　5.將鄰域信息函數(shù)、再生希爾伯特核函數(shù)相互結(jié)合嵌入到NCM算法的目標(biāo)函數(shù)中。建立隸屬度、聚類中心表達(dá)式，并用內(nèi)核誘導(dǎo)距離代替歐氏距離，優(yōu)化樣本特征。獲得局部鄰域信息的核空間中智模糊C-聚類算法(Neutrosophic C-means Clustering Algorithm Based on The Kernel Space