抑制式模糊C-均值聚类研究综述

模糊C-均值聚类及其各种变形和推广在实际应用中取得了巨大成就,获得了国际学者的广泛认可。目前,国际上形成了以硬C-均值聚类、模糊C-均值聚类、可能性C-均值聚类为基础的三大聚类算法簇。抑制式模糊C-均值聚类算法架起了连接硬C-均值聚类算法和模糊C-均值聚类算法的一个桥梁,本文就抑制式模糊C-均值聚类的研究现状进行综述,以期对该算法的更深入研究和应用起到推动作用。

一种基于Ridgelet变换和抑制式FCM聚类的数字水印算法

利用人类视觉系统的掩蔽效应和脊波变换(ridgelet transform,RT),提出了一种新颖的自适应乘性数字水印算法。由于脊波具有方向敏感性和各向异性的特点,具有自然纹理和曲线边缘的图像首先进行分块脊波变换,使脊波变换系数能够分段线状表示图像中的边缘奇异性。然后根据不同纹理程度的图像块提取脊波方向能量特征,结合人眼接受信号具有近似对数的特性对此特征进行非线性调整;并将其作为抑制式模糊聚类(suppressed fuzzy C-means algorithm,s-FCM)的特征向量,将图像块分成两类:较平坦区域、强纹理和边缘区域。最后将数字水印自适应嵌入到属于第二类的图像块的能量最大方向的中频脊波系数,并由该图像块的脊波方向能量特征控制嵌入强度。水印通过相关检测器判断存在与否。实验结果表明水印算法具有较高的不可见性和稳健性。

用于分割无损检测图像的改进的抑制式模糊C均值聚类算法

由于无损检测图像灰度分布不均衡,常用的模糊C均值聚类算法不能对图像中的目标与背景进行有效分割,故提出一种改进的抑制式模糊C均值聚类算法(IS-FCM)对无损检测图像进行分割。通过对抑制式模糊C均值聚类算法(S-FCM)的目标函数融入每一类的总隶属度以均衡化目标像素和背景像素对聚类结果的影响,在构建的新目标函数基础上推导出新的隶属度和聚类中心迭代形式,然后分析了所提算法的收敛性并给出了执行步骤,最后通过无损检测图像对所提算法进行分割实验。结果表明,IS-FCM算法不仅能够对灰度分布不均衡的无损检测图像进行有效分割,还扩展了S-FCM算法的应用范围,增强了鲁棒性和适应性。

结合区域信息的双抑制FCM聚类图像分割

针对抑制式模糊C均值聚类算法在进行图像分割时出现的收敛性能较差和像素错误分割问题,提出一种结合区域信息的双抑制模糊C均值聚类图像分割算法。对图像进行初始区域划分,针对不同的区域,提取其区域信息;利用区域信息构建修正因子,实现对模糊隶属度的初次抑制;将区域信息和数据自身的分布特性相结合,利用指数函数构建抑制因子的自适应选取公式,实现对模糊隶属度的二次抑制,进一步提高收敛性能。实验结果表明,该算法可以改善像素易错分现象,提高了收敛性能。

基于犹豫度生成的抑制式FCM图像分割算法

针对抑制式模糊C-均值聚类算法的参数选择问题,采用一种直觉模糊补函数生成方法获得犹豫度,通过将其作为抑制因子实现参数的自适应选取,进而给出一种基于犹豫度生成的抑制式模糊C-均值图像分割算法。测试图像的实验结果显示,与模糊C-均值和一种直觉模糊C-均值聚类算法相比,该算法的迭代次数和运行时间均有一定下降,且能够更好地保持图像的细节信息。

双中心组合迭代抑制式模糊C-均值聚类图像分割算法

针对抑制式模糊C-均值聚类算法应用于灰度图像分割时出现收敛速度较慢和像素误判的问题,通过挖掘图像同质区域内像素间的相关性与分析像素位置对类别判定的影响,提出一种双中心组合迭代抑制式模糊C-均值聚类图像分割算法.首先在图像上经选点、扩展、提取等环节优选出较好的初始聚类中心;然后按该中心分别查找图像中灰度值与其相等的像素位置并遴选产生隐藏中心;其次采用负指数函数对像素位置与隐藏中心之间的欧氏距离进行归一化,得到位置特征;接着在对该特征赋权后直接修正模糊划分矩阵;最后结合抑制式思想进一步减少算法的迭代次数.与现有的多种相关算法进行对比,实验结果表明,所提出算法在获得致密且分离性较好聚类的同时,能够改善图像分割的准确率和执行效率.