基于廣義模糊聚類的圖像分割算法分析

趙一諾

（廈門大學航空航天學院 福建省廈門市 361102）

1 緒論

圖像分割被廣泛應用到計算視覺、模式識別與圖像理解等領域中，在多種分割算法中，模糊聚類算法因為自身有效特性、簡潔等特點在遙感、醫學等圖像分割中廣泛使用。但是，其對于噪聲比較敏感，所以就提出了多種改進版本FCM 算法。為了實現FCM 算法的快速收斂，研究學者創建廣義模糊聚類算法（GFCM）。之后，為了GFCM 算法對于噪聲敏感缺陷進行改善，提出了鄰域廣義模糊聚類算法（GFCM-S）。但是還有其他問題需要解決，此算法針對灰度分布不均勻圖像分割效果比較差，主要是因為趨于均分全部灰度像素，還是FCM 和變體算法缺陷。以此，使用聚類過程或者使樣本容量使用目標函數。但是研究對象包括樣本分類，并沒有圖像分割背景，也就是創建滿足灰度分布不均衡特性圖像分割目標函數進行研究。

為了解決此問題，提出了基于改進廣義模糊聚類的圖像分割算法，實現圖像目標的有效識別。

2 模糊聚類算法的改進

2.1 傳統模糊聚類算法

聚類分析包括譜系聚類、圖論聚類法、基于等價關系聚類法、基于目標函數的聚類方法，前三種方法因為各種原因使用不廣泛，基于目標函數的聚類方法被廣泛使用。此方法將聚類分析歸結成為帶約束的非線性規劃問題，利用優化求解得到數據集最優模糊劃分與聚類。此方法設計比較簡單，解決問題的范圍比較廣。

公式中的m 指的是加權指數，Mfc 指的是X 模糊c 劃分空間：