改进型模糊C均值聚类算法在图像分割中的应用研究

模糊C-均值聚类法在医学图像分析中的应用
田捷;韩博闻;王岩;罗希平
【期刊名称】《软件学报》
【年(卷),期】2001(012)011
【摘要】主要针对医学图像提出了基于模糊均值聚类的改进算法和应用.该方法分为3步,第1步是像素的模糊化,通过模糊期望值构造冗余图像;第2步是通过冗余图像和原始图像进行聚类分割;第3步是三维显示.由于利用冗余图像增加了每个像素的特征量,该算法增强了聚类分割的精确度.同时,还给出了应用自行开发的三维医学图像处理与分析系统对多种医学图像(包括CT、螺旋CT和MRI)的处理结果.由于对薄骨和关节接合处骨骼的较好识别,使其重建后的三维模型可以清晰地再现解剖结构,取得了较好的效果.
【总页数】7页(P1623-1629)
【作者】田捷;韩博闻;王岩;罗希平
【作者单位】中国科学院自动化研究所人工智能实验室,;中国科学技术大学研究生院,;中国科学技术大学研究生院,;中国科学院自动化研究所人工智能实验室,
【正文语种】中文
【中图分类】TP391
【相关文献】
1.模糊c-均值聚类法在干港选址中的应用 [J], 王立峰;林钢;林吾思
2.模糊c-均值聚类法在干港选址中的应用 [J], 张兵;周海宁
3.改进的模糊C-均值算法在医学图像分割中的应用 [J], 程显毅;巩向普
4.模糊C-均值聚类法在车牌识别系统中的应用 [J], 陈梅;王健
5.模糊c-均值聚类法在土壤重金属污染空间预测中的应用 [J], 檀满枝;陈杰;郑海龙;张学雷
因版权原因，仅展示原文概要，查看原文内容请购买。

《基于强化学习的改进模糊C均值聚类算法研究及应用》篇一一、引言随着大数据时代的到来，数据挖掘和机器学习技术得到了广泛的应用。

聚类作为数据挖掘的重要手段之一，其算法的优化和改进一直是研究的热点。

模糊C均值聚类算法（FCM）是一种常用的聚类算法，但其在处理复杂数据时存在一些问题，如对初始参数敏感、易陷入局部最优等。

为了解决这些问题，本文提出了一种基于强化学习的改进模糊C均值聚类算法，旨在提高聚类的准确性和鲁棒性。

二、相关研究概述2.1 模糊C均值聚类算法模糊C均值聚类算法是一种基于划分的聚类方法，通过优化目标函数将数据划分为C个模糊簇。

FCM算法可以处理具有不确定性和模糊性的数据，但其对初始参数的选择敏感，且易受噪声和异常值的影响。

2.2 强化学习强化学习是一种通过试错学习的学习方法，其目标是使智能体在给定的环境中通过试错学习得到最优策略。

强化学习在处理复杂问题和优化问题上具有优势，可以用于优化FCM算法的参数选择。

三、基于强化学习的改进模糊C均值聚类算法3.1 算法思想本算法结合了强化学习的优点，通过智能体在给定环境中进行试错学习，自动调整FCM算法的参数，以达到最优的聚类效果。

具体来说，智能体通过观察环境和反馈结果来调整其动作（即FCM算法的参数），以达到最大的累计奖励（即聚类效果）。

3.2 算法流程（1）初始化智能体和FCM算法的参数；（2）智能体在给定环境中进行试错学习，根据FCM算法的聚类结果和评价指标计算奖励；（3）智能体根据奖励调整其动作（即FCM算法的参数）；（4）重复步骤（2）和（3），直到达到预设的迭代次数或满足其他终止条件。

四、实验与分析4.1 实验数据集与评价指标为了验证本算法的有效性，我们使用了UCI等公开数据集进行实验。

评价指标包括轮廓系数、NMI（归一化互信息）等。

4.2 实验结果与分析通过与传统的FCM算法和其他改进算法进行对比实验，我们发现本算法在处理复杂数据时具有更高的准确性和鲁棒性。

改进模糊C均值算法在民族服饰图像分割中的应用王禹君;周菊香;徐天伟【摘要】以少数民族服饰图像为分割对象,结合块截断算法设计思想,提出一种基于空间邻域的模糊C均值图像分割算法.利用方块截断编码理论将图像RGB颜色空间分量截断为6个分量,通过六维特征向量对民族服饰图像进行特征表示,将其作为算法输入进行聚类分割.实验结果表明,该算法在分割精度、划分系数和划分熵3个量化指标上的性能均优于FCM,FCM_S1和FCM_S2算法,对民族服饰图像的分割效果较好,尤其表现在对民族服饰具有代表性的特征元素区域分割上.%By taking the image of ethnic minority costumes as the segmentation object,based on block truncation theory,an algorithm for image segmentation based on spatial neighborhood of Fuzzy C-means (FCM) algorithm isproposed.Firstly,the Block Truncation Coding(BTC) theory is used to cut the image RGB color space into six components.Then,the six-dimensional feature vector is used to express the characteristics of the national costume image.Finally,this six-dimensional feature vector is used as the data input of the algorithm.Experimental results show that the performance of the proposed algorithm in this paper is better than FCM,FCM_S1,FCM_S2 in segmentation accuracy,partition coefficient and partition entropy.It has better performance on ethnic costume image segmentation,especially for typical elements of ethnic constume.【期刊名称】《计算机工程》【年(卷),期】2017(043)005【总页数】8页(P261-267,274)【关键词】民族服饰;块截断编码;图像分割;空间邻域;模糊C均值算法【作者】王禹君;周菊香;徐天伟【作者单位】云南师范大学信息学院,昆明650500;云南师范大民族教育信息化教育部重点实验室,昆明650500;云南师范大研究生处,昆明650500【正文语种】中文【中图分类】TP391少数民族服饰是在少数民族文化漫长的发展中形成的具有特色的少数民族文化,民族服饰不仅是少数民族的生活用品,同时也包含着深刻的、具有少数民族特色的文化内涵,是划分民族的形象性的依据之一。

基于改进模糊C均值聚类与Otsu的图像分割方法王勋; 李廷会; 潘骁; 田宇【期刊名称】《《广西师范大学学报（自然科学版）》》【年(卷),期】2019(037)004【总页数】6页(P68-73)【关键词】图像分割; 模糊C均值聚类; Otsu; 准则函数; 分割准确率【作者】王勋; 李廷会; 潘骁; 田宇【作者单位】广西师范大学电子工程学院广西桂林 541004; 广西生态工程职业技术学院汽车与信息工程系广西柳州 545004【正文语种】中文【中图分类】TP391.41木材表面缺陷影响其外表和质量，同时降低了它的使用价值，因此，有必要对木材表面缺陷检测方法做进一步的研究。

目前对木材缺陷检测方法主要有人工分拣法和计算机系统分拣法。

人工分拣效率低，所以计算机系统分拣法成为木材缺陷检测、识别等领域研究的重点。

要实现上述领域算法需要计算机对获取的木材缺陷图像进行精确的分割。

目前国内外学者对木材缺陷图像分割算法的研究主要有Gabor变换法[1-2]、马尔科夫随机场法[3-6]、地线动态轮廓(GAC)模型法[7]、Otsu与数学形态学法[8-9]。

木材缺陷种类繁多、形态各异，同时木材自然生长环境下导致缺陷的大小、颜色深浅都各有不同，这为计算机分割缺陷木材图像带来了困难。

在图像分割领域，较为典型的分割算法有Dunn[10]提出的模糊C均值聚类(FCM)算法。

之后国内外学者对该算法做进一步的研究,其中较为典型的有：Ahmed等[11]提出的FCM_S算法，该算法虽然不再计算邻域内所有点与类中心之间的距离，主要计算邻域内或中值与类中心之间的距离，但是仍然要进行大量的计算；Cai等[12]提出的FGFCM算法，第一次考虑用空间距离和灰度值测量邻域中每个像素的权重，但需要引入相关参数来控制权重的规模，所以自适应能力较差；Chen等[13]提出了一种新的能量函数最小化框架结构，该结构能够很好地补偿强度和噪声的不均匀性，但能量结构函数较为复杂；Guo等[14]提出了基于局部噪声检测的自适应模糊C均值图像分割算法，通过测量邻域灰度值的变化来自适应模糊C均值图像分割的效果，但要对邻域灰度值变化大小进行计算，所以计算量较大。

基于图割与改进模糊C均值的图像分割
辛月兰;汪西莉
【期刊名称】《计算机应用与软件》
【年(卷),期】2014(031)007
【摘要】为提高图割算法对图像的分割效果,提出一种改进的模糊C均值聚类算法(FCMA)和图割分割算法相结合的图像分割方法.首先,用均值漂移算法将图像过分割成多个小区域(超像素),用得到的超像素代替像素点作为图的顶点,以相邻像素块间的关系为边构建图模型;然后,采用改进的模糊C均值(FCMA)算法对前景和背景的混合高斯模型分别进行聚类分析;最后,用最大流/最小割算法求取能量函数的全局最优解印得到图像的分割结果.实验结果表明,该方法在分割结果上具有较强的区域一致性及较为清晰、平滑的图像边缘,并且该方法对含有噪声的图像也能得到较好的分割结果.
【总页数】5页(P206-209,293)
【作者】辛月兰;汪西莉
【作者单位】陕西师范大学计算机科学学院陕西西安710062;青海师范大学物理系青海西宁810008;陕西师范大学计算机科学学院陕西西安710062
【正文语种】中文
【中图分类】TP391
【相关文献】
1.模糊C均值聚类与多相水平集图割优化相结合的图像分割 [J], 宋琳;高满屯;王三民;王淑侠;
2.模糊C均值聚类与多相水平集图割优化相结合的图像分割 [J], 宋琳;高满屯;王三民;王淑侠
3.基于K均值聚类的图割医学图像分割算法 [J], 吴永芳;杨鑫;徐敏;张星
4.结合模糊C均值聚类与图割的图像分割方法 [J], 王晓飞;郭敏
5.改进的基于灰度级的模糊C均值图像分割算法 [J], 赵战民; 朱占龙; 王军芬
因版权原因，仅展示原文概要，查看原文内容请购买。

模糊C均值聚类算法的优化与应用研究近年来，随着大数据和人工智能技术在各行业的广泛应用，聚类算法作为一种重要的无监督学习方法，被广泛应用于数据挖掘、图像识别、模式识别等领域。

在众多聚类算法中，模糊C均值聚类算法（FCM）因其简单易实现、适用范围广等特点而备受关注。

然而，FCM算法在处理较大数据量、较高维度数据时，聚类结果模糊度高、计算复杂度大等问题也日益凸显。

本文将从模糊C均值聚类算法的原理入手，探讨了几种优化方法并进行实验验证，分析其在实际应用中的效果。

一、模糊C均值聚类算法原理模糊C均值聚类算法是基于向量量化（Vector Quantization）原理的一种聚类算法。

旨在给定数据集将其中的数据分成k个不同的簇。

其主要思想是通过计算数据点到各簇中心的距离，来确定一个数据点可能属于各个簇的概率值，从而获得各数据点所属簇的隶属度矩阵，以此反复迭代更新簇中心和隶属度矩阵，最终达到聚类的目的。

具体来说，设原始数据集为$X=\{x_1,x_2,……,x_n\}$，要将其分成k个簇，每个簇的质心为$V=\{v_1,v_2,……,v_k\}$。

根据数据点x到簇质心$V_j$的距离，定义出数据点x属于簇j的隶属度$U_{ij}$: $$U_{ij}=\frac{1}{\sum_{k=1}^k(\frac{||x_i−v_j||}{||x_i−v_k||})^{\frac {2}{m−1}}}$$其中，m为模糊指数，$||·||$表示欧式距离。

在U矩阵和V矩阵确定之后，对于一个新的数据点x，将其划分到隶属度最大的簇中。

反复迭代更新U矩阵和V矩阵，直到收敛为止。

二、模糊C均值聚类算法的问题尽管模糊C均值聚类算法的原理较为简单，但其在实际应用中仍存在一些问题。

本节将主要讨论FCM算法可能遇到的两大问题：聚类结果模糊度高和计算复杂度大。

1.聚类结果模糊度高FCM算法的隶属度矩阵U的值为[0,1]之间的实数，因此一个数据点不属于任何一个簇的概率不为0.这就导致FCM算法的聚类结果模糊度高，无法唯一确定每个数据点的簇归属。

一种改进的模糊C-均值(FCM)彩色图像分割算法
邓富强;庞全
【期刊名称】《机电工程》
【年(卷),期】2010(027)009
【摘要】针对传统模糊C-均值(FCM)聚类算法计算量大,聚类中心对初始值敏感和聚类数目不能自适应确定的缺点,提出了一种改进的FCM算法.首先对图像进行采样量化,并在满足视觉一致性的L*a*b*颜色空间计算并统计图像的色差信息,然后依据全局色差阈值选取初始聚类中心,对图像进行聚类分析,同时根据准则函数确定最佳聚类数,实现了聚类中心的优化选取和最优聚类数目的确定,有效减少了计算量.研究结果表明,改进后的FCM算法不仅较好地克服了传统FCM算法的缺点,而且聚类效果好,处理速度快,聚类效果与人的视觉感应保持了良好的一致性.
【总页数】4页(P116-119)
【作者】邓富强;庞全
【作者单位】杭州电子科技大学,生物医学工程与仪器研究所,浙江,杭州,310018;杭州电子科技大学,生物医学工程与仪器研究所,浙江,杭州,310018
【正文语种】中文
【中图分类】TH77%TP391.41
【相关文献】
1.模糊C-均值聚类图像分割算法的一种改进 [J], 李琳;范九伦;赵凤
2.一种改进的模糊C-均值(FCM)聚类算法 [J], 安良;胡勇;胡良梅;孟玲玲
3.一种改进的模糊C-均值图像分割算法 [J], 沈桂玲;吴谨
4.一种改进的局部模糊C-均值聚类分割算法研究 [J], 刘梦娇;吴成茂
5.模糊C-均值聚类图像分割算法的一种改进 [J], 李琳;范九伦;赵凤;
因版权原因，仅展示原文概要，查看原文内容请购买。

基于灰度空间特征的模糊C均值聚类图像分割
李云松;李明
【期刊名称】《计算机工程与设计》
【年(卷),期】2007(28)6
【摘要】模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法没有考虑像素的灰度和空间特征,对噪声十分敏感.因此提出一种改进的算法,在传统的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计来构造新的隶属函数,对图像进行聚类分割.该方法不仅有效地抑制了噪声的干扰,而且把错分类的像素很容易的纠正过来.对两种类型的含噪图像的实验结果表明该方法对噪声具有很强的鲁棒性和对像素聚类的正确性.
【总页数】4页(P1358-1360,1363)
【作者】李云松;李明
【作者单位】兰州理工大学,计算机与通信学院,甘肃,兰州,730050;兰州理工大学,计算机与通信学院,甘肃,兰州,730050
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于空间信息的核模糊C均值聚类图像分割 [J], 沈灏
2.基于空间信息的可能性模糊C均值聚类遥感图像分割 [J], 张一行;王霞;方世明;李晓冬;凌峰
3.基于ELM的局部空间信息的模糊C均值聚类图像分割算法 [J], 陈凯;陈秀宏
4.基于空间约束的模糊C均值聚类肝脏CT图像分割 [J], 王荣淼; 张峰峰; 詹蔚; 陈军; 吴昊
5.基于模糊C均值聚类与空间信息相结合的图像分割新算法 [J], 蔡燕柳;贾振红因版权原因，仅展示原文概要，查看原文内容请购买。