一种基于集合划分的鲁棒性自适应模糊聚类分割算法

朱威威 赵岩松 李艳灵

引用本文: 朱威威, 赵岩松, 李艳灵. 一种基于集合划分的鲁棒性自适应模糊聚类分割算法[J]. 信阳师范学院学报(自然科学版), 2019, 32(1): 146-152.   doi: 10.3969/j.issn.1003-0972.2019.01.026 shu
Citation:  ZHU Weiwei, ZHAO Yansong and LI Yanling. A Robust Adaptive Fuzzy Clustering Segmentation Algorithm Based on Set Partition[J]. Journal of Xinyang Normal University (Natural Science Edition), 2019, 32(1): 146-152.   doi: 10.3969/j.issn.1003-0972.2019.01.026 shu

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

    作者简介: 朱威威(1989-),男,河南周口人,助教,硕士研究生,主要研究方向为图像分割;李艳灵(1975-),女,河南新乡人,教授,博士,主要从事数字图像处理研究.;
  • 基金项目: 国家自然科学基金项目(61572417);河南省高校重点科研项目(17A520012)

  • 中图分类号: TP391.4

摘要: 模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.

English

    1. [1]

      SZELISKI R. Computer vision:algorithms and applications[M].New York:Springer-Verlag, 2011.

    2. [2]

      SIKKA K, SINHA N, SINGH P K, et al. A fully automated algorithm under modified FCM framework for improved brain MR image segmentation[J].Magn Reson Imaging,2009, 27(7):994-1004.

    3. [3]

      TARABALKA Y, BENEDIKTSSON J A, CHANUSSOT J. Spectral-spatial classification of hyperspectral imagery based on partitional clustering techniques[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009, 47(8):2973-2987.

    4. [4]

      JAIN A K. Data clustering:50 years beyond K-means[J]. Pattern Recognition Letters, 2010, 31(8):651-666.

    5. [5]

      CHAIRA T, PANWAR A. An Atanassov's intuitionistic fuzzy kernel clustering for medical image segmentation[J]. International Journal of Computational Intelligence Systems, 2014, 7(2):360-370.

    6. [6]

      LE H S, CUONG B C, LANZI P L, et al. A novel intuitionistic fuzzy clustering method for geo-demographic analysis[J]. Expert Systems with Applications, 2012, 39(10):9848-9859.

    7. [7]

      SON L H, CUONG B C, LONG H V. Spatial interaction-modification model and applications to geo-demographic analysis[J]. Knowledge-Based Systems, 2013, 49(2):152-170.

    8. [8]

      李为华,刘宏兵.彩色图像的球形粒计算分割算法[J].信阳师范学院学报(自然科学版),2014,27(2):296-298.LI Weihua, LIU Hongbing. Color image segmentation algorithm based on spherical granular computing[J]. Journal of Xinyang Normal University (Natural Science Edition), 2014,27(2):296-298.

    9. [9]

      HALL L O, KANADE P M. Swarm based fuzzy clustering with partition validity[C]//The IEEE International Conference on Fuzzy Systems. IEEE, 2005:991-995.

    10. [10]

      李为华,苏辉,郭华平.融合多特征和谱聚类集成的图像分割方法[J].信阳师范学院学报(自然科学版),2017,30(4):638-641.LI Weihua, SU Hui, GUO Huaping. Image segmentation method based on fusion of multiple features and spectral clustering[J]. Journal of Xinyang Normal University (Natural Science Edition), 2017, 30(4):638-641.

    11. [11]

      WU K L, YANG M S, HSIEH J N. Robust cluster validity indexes[J]. Pattern Recognition, 2009, 42(11):2541-2550.

    12. [12]

      KIM D W, LEE K H, LEE D. On cluster validity index for estimation of the optimal number of fuzzy clusters[J]. Pattern Recognition, 2004, 37(10):2009-2025.

    13. [13]

      YU Z, AU O C, ZOU R, et al. An adaptive unsupervised approach toward pixel clustering and color image segmentation[J]. Pattern Recognition, 2010, 43(5):1889-1906.

    14. [14]

      KANADE P M, HALL L O. Fuzzy ants and clustering[J]. IEEE Transactions on Systems Man and Cybernetics Part A-Systems and Humans, 2007, 37(5):758-769.

    15. [15]

      TAN K S, ISA N A M. Color image segmentation using histogram thresholding-fuzzy C-means hybrid approach[J]. Pattern Recognition, 2011, 44(1):1-15.

    16. [16]

      WANG G, LI X, HE K F. Kernel local fuzzy clustering margin fisher discriminant method faced on fault diagnosis[J]. Journal of Software, 2011, 6(10):1993-2000.

    17. [17]

      GRAVES D, PEDRYCZ W. Kernel-based fuzzy clustering and fuzzy clustering:A comparative experimental study[J]. Fuzzy Sets and Systems, 2010, 161(4, SI):522-543.

    18. [18]

      COVER T M. Geometrical and statistical properties of systems of linear inequalities with applications in pattern recognition[J]. IEEE Transactions on Electronic Computers, 2006, EC-14(3):326-334.

    19. [19]

      MVLLER K R, MIKA S, RÄTSCH G, et al. An introduction to kernel-based learning algorithms[J]. IEEE Transactions on Neural Networks, 2001, 12(2):181-201.

    20. [20]

      CHEN L. Kernel spatial shadowed C-means for image segmentation[J]. International Journal of Fuzzy Systems, 2014, 16(1):46-56.

    1. [1]

      朱威威,赵岩松,李艳灵 . 一种基于集合划分的鲁棒性自适应模糊聚类分割算法. 信阳师范学院学报(自然科学版), 2019, 32(1): -.

    2. [2]

      李艳灵魏涛 . 基于轮廓波变换的模糊聚类图像分割. 信阳师范学院学报(自然科学版), 2011, 24(3): 405-409.

    3. [3]

      李为华苏辉郭华平 . 融合多特征和谱聚类集成的图像分割方法. 信阳师范学院学报(自然科学版), 2017, 30(4): 638-641. doi: 10.3969/j.issn.1003-0972.2017.04.027

    4. [4]

      李艳灵李刚 . 基于改进模糊C均值聚类的图像分割算法. 信阳师范学院学报(自然科学版), 2008, 21(3): 451-454.

    5. [5]

      王〓艳徐再花张大庆 . 基于正则化的模糊 C - 均值聚类算法及其在T - S 模糊系统辨识问题中的应用. 信阳师范学院学报(自然科学版), 2016, 29(1): 124-128. doi: 10.3969/j.issn.1003-0972.2016.01.030

    6. [6]

      陈新武周军 . 用保矩法实现图像分割. 信阳师范学院学报(自然科学版), 2004, 17(4): 465-467.

    7. [7]

      赵亮程林敏彭喜科 . 铝合金铸件胶片计算机自动识别方法. 信阳师范学院学报(自然科学版), 2003, 16(2): 225-227.

    8. [8]

      李为华刘宏兵 . 彩色图像的球形粒计算分割算法. 信阳师范学院学报(自然科学版), 2014, 27(2): 296-298. doi: 10.3969/j.issn.1003-0972.2014.02.033

    9. [9]

      刘宏兵周文勇郭振 . 基于模糊关系传递闭包的聚类方法. 信阳师范学院学报(自然科学版), 2008, 21(1): 144-146.

    10. [10]

      苏玉泉 . 一类矩阵的SAOR方法的误差估计. 信阳师范学院学报(自然科学版), 1991, 4(2): 141-146.

    11. [11]

      吴庆岗张卫国赵进超张秋闻景雨 . 基于随机森林和多特征融合的青苹果图像分割. 信阳师范学院学报(自然科学版), 2018, 31(4): 681-686. doi: 10.3969/j.issn.1003-0972.2018.04.032

    12. [12]

      郭翠平赵琳琳 . 一类双对称矩阵反问题的最小二乘解. 信阳师范学院学报(自然科学版), 2003, 16(4): 398-401.

    13. [13]

      郭希娟 . 正定矩阵与M矩阵的判定. 信阳师范学院学报(自然科学版), 2000, 13(3): 249-250.

    14. [14]

      张自强 . 集合的特征函数与集合运算. 信阳师范学院学报(自然科学版), 1986, 0(2): 21-26. doi: 10.3969/j.issn.1003-0972.(1986)02-0021-06

    15. [15]

      秦东霞齐迎春王伟 . 基于等价类划分的并行频繁闭项集挖掘算法. 信阳师范学院学报(自然科学版), 2017, 30(3): 454-459. doi: 10.3969/j.issn.1003-0972.2017.03.023

    16. [16]

      宋文彦,吴俊甫 . 最优分派的矩阵算法. 信阳师范学院学报(自然科学版), 1995, 8(2): 144-146.

    17. [17]

      秦金华 . 阵的子式矩阵及其应用. 信阳师范学院学报(自然科学版), 1991, 4(1): 35-38.

    18. [18]

      郭希娟汤淑英宋玉霞 . 分块矩阵有定性的判据Ⅱ. 信阳师范学院学报(自然科学版), 2001, 14(2): 125-127.

    19. [19]

      陶靖轩,蔡国梁 . HAMMiNG距离与覆盖设计. 信阳师范学院学报(自然科学版), 1994, 7(1): 27-30.

    20. [20]

      陈旭生刘宏兵李为华 . 基于距离的粒计算分类算法. 信阳师范学院学报(自然科学版), 2015, 28(2): 271-274. doi: 10.3969/j.issn.1003-0972.2015.02.028

  • 加载中
计量
  • 文章访问数:  37
  • PDF下载量:  1
  • 引证文献数: 0
文章相关
  • 收稿日期:  2018-02-05
  • 录用日期:  2018-05-08
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

    作者简介:朱威威(1989-),男,河南周口人,助教,硕士研究生,主要研究方向为图像分割;李艳灵(1975-),女,河南新乡人,教授,博士,主要从事数字图像处理研究.
  • 1. 信阳师范学院 计算机与信息技术学院, 河南 信阳 464000;
  • 2. 信阳学院 现代教育技术中心, 河南 信阳 464000
基金项目:  国家自然科学基金项目(61572417);河南省高校重点科研项目(17A520012)

摘要: 模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.

English Abstract

    全文HTML

参考文献 (20) 相关文章 (20)

目录

/

返回文章

本系统由 北京仁和汇智信息技术有限公司 开发 技术支持: info@rhhz.net   百度统计