基于半径/中心约束的模糊C-球壳聚类算法

本文针对数字图像处理和计算机视觉中的圆检测问题,提出了基于半径/中心约束的模糊C-球壳聚类算法。首先利用共形几何代数理论以球壳替代传统的点作为聚类原型,以共形空间中模式与球壳的内积来表示模式与球壳的距离关系,并引入模糊隶属度函数来体现待分类模式和与之对应的球壳的隶属关系,给出了基于半径和中心约束的模糊C-球壳聚类算法的目标函数,最后给出了求解此类约束条件下目标函数最小化的统一方法。通过人工数据集和真实图像上的实验,均表明该算法能够有效地对球壳形数据进行模糊聚类,以及对数字图像进行圆检测。

模糊C-球壳聚类算法的研究

通过对基于同一目标函数的两种模糊C-球壳(FCSS)聚类算法性能的比较与分析,提出一种新算法。该算法收敛速度快,聚类结果准确。

模糊C-球壳聚类算法及其在血液细胞图像中的应用

文章从经典的模糊C均值算法开始通过改变其中相似性的度量形式,介绍了一种模糊C球壳聚类(FCSS)算法。在将该算法应用于细胞显微图像半径统计时,采用基于形态学的图像预处理措施,可以获得FCSS算法中有关原型模式的知识,加快收敛速度并避免随机初始化造成的局部极小问题。

一种新的混合球壳形数据聚类方法

模糊C-球壳聚类算法(FCSS)广泛应用于模式识别与机器学习领域。传统FCSS算法采用梯度法和交替寻优策略来求解,因此对初始值比较敏感,往往只能得到模型的局部极值点,从而影响聚类的效果,甚至使所采用的方法失效。将粒子群优化算法(PSO)、遗传算法(GA)与传统FCSS算法相结合,得到一种有效的混合球壳聚类算法PSO-GA-FCSS,数值实验结果表明新算法的性能优于FCSS算法、遗传算法与FCSS相结合的算法GA-FCSS以及粒子群算法与FCSS相结合的算法PSO-FCSS。