基于改进模糊C-均值的遥感图像聚类分割算法

作     者：顾英杰 

作者单位：新疆大学 

学位级别：硕士

导师姓名：贾振红;郝军

授予年度：2011年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：聚类分割 混合蛙跳算法 模糊C-均值算法 粒子群算法 上下截集 

摘      要：模糊聚类分析是非监督模式识别的重要分支,在模式识别、数据挖掘、计算机视觉以及模糊控制等领域具有广泛的应用。模糊聚类算法中最常用的是模糊C-均值（FCM）聚类算法,它是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效。 但是模糊C-均值（FCM）聚类算法存在着一定的缺陷,它易受初始聚类中心和初始隶属度矩阵的影响,可能收敛到局部极小值,影响着分割的效果;在大量数据集的情况下,比如说遥感图像,模糊C-均值（FCM）的反复迭代就会造成算法耗时过长。为了克服这些缺陷,有文献提出了遗传算法（GA）,蚁群算法（ACO）和粒子群（PSO）算法等与模糊C-均值（FCM）相结合。本文提出了两种算法对图像进行聚类分割:一种是基于混合蛙跳与模糊C-均值（FCM）结合的图像分割算法,该算法的主要思想是:用混合蛙跳（SFLA）结合模糊C-均值（FCM）算法来克服由于模糊C-均值（FCM）算法易受初始聚类中心和初始隶属度矩阵的影响而使图像分割效果不理想的缺陷。实验表明,该算法与近期提出的模糊C-均值（FCM）结合模糊粒子群（FPSO）算法对图像分割效果进行比较,得到了更好的图像分割效果。另一种算法是改进的模糊C-均值（FCM）与粒子群（PSO）结合的自适应图像分割算法,该算法的主要思想是:引入上下截集参数来动态调整隶属度函数,加快收敛速率,并且引入了自适应的聚类数算法,使在对图像聚类分割时能自适应的调整聚类数目。实验表明,用该算法与标准模糊C-均值（FCM）结合粒子群（PSO）算法比较,在分割效果相同的情况下,能够优化图像的聚类数并且使收敛速度更快。