一种空间信息自适应的鲁棒模糊聚类算法

针对传统模糊聚类算法利用空间信息对抗噪声时对图像分割造成影响的问题,本文提出一种新型鲁棒模糊聚类方法(fuzzy c-means_adaptive spatial,FCM_AS)。在传统FCM算法基础上,引入空间信息自适应方法,提出了新的模糊聚类模型FCM_AS及其对应的迭代优化算法。该模型在利用像素空间信息对抗噪声的同时,在像素的局部信息和非局部信息之间,设置一个自适应权重参数,实现对空间信息的自适应调整。为验证本文算法的有效性,采用多种流行算法在合成图像和脑MR图像上进行对比实验。实验结果表明,与传统的模糊聚类方法相比,FCM_AS算法在处理合成图像和复杂的医学图像噪声时,可有效消除噪声对分割过程的影响,分类相对准确,且边缘信息平滑,图片准确度较高,更加接近理想分割效果,具有更好的鲁棒性和优越性,是一种稳健的图像分割算法。该研究实现了对空间信息的自适应调整,具有一定的理论意义和应用价值。

方向相似性聚类方法DSCM

针对方向性数据提出了一种鲁棒的基于方向相似性度量的聚类方法DSCM·DSCM首先基于方向性度量构造目标函数,然后通过不动点迭代法对目标函数优化,获得各个样本的最终稳定状态,最后基于样本的最终状态集利用层次聚类技术实现聚类·DSCM的优势在于对方向性数据聚类时不依赖于具体的初始化参数,且能自组织地求解最优聚类划分因而有很好的鲁棒性·通过实验证实了DSCM的有效性以及对已有的两个传统方向性聚类算法的优越性·