基于改进模糊C-均值聚类算法的图像分割

在对手抑制式模糊C-均值聚类算法中,参数α的选择有可能导致原有的隶属度之间顺序的改变。针对其不足,提出了一种改进的模糊C-均值聚类算法,他是通过引入2个不同的调节参数1α和2α修正不同大小的隶属度,在保持隶属度的次序不变的前提下可以加速图像分割的收敛速度。实验表明,该算法不但能有效地提高聚类的速度,且能得到较好的分割效果。

改进的数据挖掘模糊聚类算法研究与分析

由于传统的模糊C均值(FCM)聚类算法具有不能自动确定聚类数目、收敛速度较慢、抗噪性差、对噪声数据比较敏感等诸多缺点,研究基于相对熵约束的FCM聚类算法,加入对手抑制式方法和基于分离度和紧致度的聚类函数,有效克服上述缺点.研究结果表明:改进后的FCM算法与传统的FCM聚类算法相比,收敛速度、准确度、精确度、特异度均有提高,且具有良好的抗噪性能,并能自动确定出最佳的聚类数目.