鲁棒模糊加权C-有序均值聚类算法研究
发布时间：2021-10-20 05:58
模糊聚类分析作为信息科学、统计学、数学、机器学习等多个学科交叉而形成的一种无监督的数据分析方法,是数据分析、知识发现和智能决策等领域中的重要研究内容。本文在对国内外关于模糊聚类相关研究进行深入了解的基础上,采用理论分析、数据实验和应用研究相结合的方法,对模糊聚类进行了较深入的研究。课题从以下几个方面对现有算法做出以下改进:引入了局部空间信息解决了数据受邻域数据影响的问题;引入了数据典型性解决了数据在计算中和中心距离远近影响问题;引用模糊直觉算法解决了对数据不确定性进行了定性研究问题。首先,针对现有模糊聚类法存在去噪性差,计算量大,鲁棒性不足问题,提出一种新的混合聚类算法,新的算法兼容模糊C-均值聚类、聚类空间邻域和聚类数据典型性特性。新的算法综合考虑了运用模糊数学去处理数据的模糊性的优点、数据受邻域数据影响的空间邻域客观性优点和数据离中心距离远近的典型性优点。实验结果表明,合理地设置不同指标的权重能够解决现有聚类算法鲁棒性不足、去燥性差的缺点,较好的实现对给定数据集聚类划分。其次,针对现有模糊C-均值（FCM）算法对噪声敏感性问题,数据空间考虑不足问题,提出了一种模糊C-均值（FCM）...
【文章来源】：燕山大学河北省
【文章页数】：121 页
【学位级别】：博士
【部分图文】：
基于椒盐的去噪合成图像分割结果比较
第3章偏差校正模糊加权C-有序均值聚类算法研究-49-表3-3（续表）NoiseFCMSFCMS1FCMS2FLICMARKFCMFRFCMBFWCOMGaussian(g=25)71.5094.7494.9098.8498.9799.3299.68Salt&pepper(5%)96.6496.6496.6497.3498.4499.2899.87Salt&pepper(10%)93.1793.1793.1794.2395.8497.8499.77Salt&pepper(20%)86.0786.1787.0593.6894.5695.7898.12从表3-3中数据的比较值可以看出，对于具有不同水平“盐与胡椒”噪声污染的合成图像，BFWCOM分割精度始终高于其他方法的分割精度。3.5.3脑部MR图像和Lena图像实验本节对真实图像进行了实验，特别是对脑部磁共振(MagneticResonance,MR)图像和Lena人像进行了实验，以证明所提出的BFWCOM算法的性能。同时还采用了一些众所周知的图像分割方法作为比较方法，如FCMS、FCMS1、FCMS2、FLICM、ARKFCM和FRFCM。a)原始图像b)椒盐图像c)FCMSd)FCMS1e)FCMS2f)FLICMg)ARKFCMh)FRFCMi)BFWCOM图3-7基于盐和胡椒的去噪脑CT图像分割结果Fig.3-7SegmentationResultsontheBrainMRImagefromDenoisingBaseonSalt&Pepper.在图3-5和图3-6对合成图去噪结果比较之外，在图3-7和图3-8中首先使用高斯和“盐与胡椒”混合噪声干扰真实图像[95]，其次运用7种算法对噪声损坏的真实图像进行去噪，最后根据真实图像的去噪结果进行比较。这种真实图像的挑选主要从两个方面进行，一种是选择脑MR图像进行测试，另一种是选择Lena头像的进行测试，从医学图像和自然人像两个角度进行比较。(1)脑部MR图像去噪实验结果
第3章偏差校正模糊加权C-有序均值聚类算法研究-51-则需要一个更大的窗口来测量相似性，即在这种情况下，S的5×5或7×7窗口是合适的，所以在这里采用5×5的窗口。图3-9是对加入方差20%的高斯噪声的Lena图片去噪结果的比较，其中：a)原始LENA图像；b)灰色图像；c)图像加高斯（零均值和20%方差）；d)-j)分别是FCMS、FCMS1、FCMS2、FLICM、ARKFCM、FRRCM和BFWCOM结果。由图可知，本节所提出的BFWCOM算法明显优于FCMS、FCMS1、FCMS2、FLICM和ARKFCM，而FRRCM算法处理的效果很好，但在细节上还是BFWCOM算法更细致。为了进一步验证BFWCOM算法的去噪效果，本节从客观数据上比较分析所提出的算法的性能。使用均方误差（MeanSquaredError，MSE）、峰值信噪比(PeakSignal-to-NoiseRatio，PSNR)[96;97]和信噪比（Signal-to-NoiseRatio,SNR）[98]对去噪后的图像进行数值计算。a)原始图像b)灰色图像c)噪声图d)FCMSe)FCMS1f)FCMS2g)FLICMh)ARKFCMi)FRRCMj)BFWCOM图3-9基于高斯去噪的LENA图像分割结果Fig.3-9SegmentationResultsontheLenaImageFromDenoisingBaseonGaussian均方误差的表达式如式(3-58)所示。(())2111,MNjiijMSEfjifMN===(3-58)峰值信噪比和信噪比的表达式分别为式(3-59)和式(3-60)。21010(25525120)5PSNR0loglogMSEMSE==(3-59)
【参考文献】：
期刊论文
[1]基于模糊聚类的多传感器遥感图像海岸线提取方法[J]. 陈育才. 测绘地理信息. 2019(05)
[2]基于改进PSO和FCM的模糊辨识[J]. 刘楠,刘福才,孟爱文. 智能系统学报. 2019(02)
[3]基于提升小波变换的阈值改进去噪算法在紫外可见光谱中的研究[J]. 周风波,李长庚,朱红求. 光谱学与光谱分析. 2018(02)
[4]一种改进的模糊聚类图像分割算法[J]. 李昌兴,薛新伟,吴成茂. 西安邮电大学学报. 2017(05)
[5]自动确定聚类个数的模糊聚类算法[J]. 陈海鹏,申铉京,龙建武,吕颖达. 电子学报. 2017(03)
[6]一种空间相关性与隶属度平滑的FCM改进算法[J]. 肖满生,肖哲,文志诚,周立前. 电子与信息学报. 2017(05)
[7]Intuitionistic fuzzy C-means clustering algorithms[J]. Zeshui Xu1,2,* and Junjie Wu3 1.School of Economics and Management,Southeast University,Nanjing 210096,P.R.China;2.Institute of Sciences,PLA University of Sciences and Technology,Nanjing 210007,P.R.China;3.Department of Information Systems,School of Economics and Management,Beihang University,Beijing 100191,P.R.China. Journal of Systems Engineering and Electronics. 2010(04)
[8]对手抑制式模糊C-均值算法[J]. 魏立梅,谢维信. 电子学报. 2000(07)
本文编号：3446378
【文章来源】：燕山大学河北省
【文章页数】：121 页
【学位级别】：博士
【部分图文】：
基于椒盐的去噪合成图像分割结果比较
第3章偏差校正模糊加权C-有序均值聚类算法研究-49-表3-3（续表）NoiseFCMSFCMS1FCMS2FLICMARKFCMFRFCMBFWCOMGaussian(g=25)71.5094.7494.9098.8498.9799.3299.68Salt&pepper(5%)96.6496.6496.6497.3498.4499.2899.87Salt&pepper(10%)93.1793.1793.1794.2395.8497.8499.77Salt&pepper(20%)86.0786.1787.0593.6894.5695.7898.12从表3-3中数据的比较值可以看出，对于具有不同水平“盐与胡椒”噪声污染的合成图像，BFWCOM分割精度始终高于其他方法的分割精度。3.5.3脑部MR图像和Lena图像实验本节对真实图像进行了实验，特别是对脑部磁共振(MagneticResonance,MR)图像和Lena人像进行了实验，以证明所提出的BFWCOM算法的性能。同时还采用了一些众所周知的图像分割方法作为比较方法，如FCMS、FCMS1、FCMS2、FLICM、ARKFCM和FRFCM。a)原始图像b)椒盐图像c)FCMSd)FCMS1e)FCMS2f)FLICMg)ARKFCMh)FRFCMi)BFWCOM图3-7基于盐和胡椒的去噪脑CT图像分割结果Fig.3-7SegmentationResultsontheBrainMRImagefromDenoisingBaseonSalt&Pepper.在图3-5和图3-6对合成图去噪结果比较之外，在图3-7和图3-8中首先使用高斯和“盐与胡椒”混合噪声干扰真实图像[95]，其次运用7种算法对噪声损坏的真实图像进行去噪，最后根据真实图像的去噪结果进行比较。这种真实图像的挑选主要从两个方面进行，一种是选择脑MR图像进行测试，另一种是选择Lena头像的进行测试，从医学图像和自然人像两个角度进行比较。(1)脑部MR图像去噪实验结果
第3章偏差校正模糊加权C-有序均值聚类算法研究-51-则需要一个更大的窗口来测量相似性，即在这种情况下，S的5×5或7×7窗口是合适的，所以在这里采用5×5的窗口。图3-9是对加入方差20%的高斯噪声的Lena图片去噪结果的比较，其中：a)原始LENA图像；b)灰色图像；c)图像加高斯（零均值和20%方差）；d)-j)分别是FCMS、FCMS1、FCMS2、FLICM、ARKFCM、FRRCM和BFWCOM结果。由图可知，本节所提出的BFWCOM算法明显优于FCMS、FCMS1、FCMS2、FLICM和ARKFCM，而FRRCM算法处理的效果很好，但在细节上还是BFWCOM算法更细致。为了进一步验证BFWCOM算法的去噪效果，本节从客观数据上比较分析所提出的算法的性能。使用均方误差（MeanSquaredError，MSE）、峰值信噪比(PeakSignal-to-NoiseRatio，PSNR)[96;97]和信噪比（Signal-to-NoiseRatio,SNR）[98]对去噪后的图像进行数值计算。a)原始图像b)灰色图像c)噪声图d)FCMSe)FCMS1f)FCMS2g)FLICMh)ARKFCMi)FRRCMj)BFWCOM图3-9基于高斯去噪的LENA图像分割结果Fig.3-9SegmentationResultsontheLenaImageFromDenoisingBaseonGaussian均方误差的表达式如式(3-58)所示。(())2111,MNjiijMSEfjifMN===(3-58)峰值信噪比和信噪比的表达式分别为式(3-59)和式(3-60)。21010(25525120)5PSNR0loglogMSEMSE==(3-59)
【参考文献】：
期刊论文
[1]基于模糊聚类的多传感器遥感图像海岸线提取方法[J]. 陈育才. 测绘地理信息. 2019(05)
[2]基于改进PSO和FCM的模糊辨识[J]. 刘楠,刘福才,孟爱文. 智能系统学报. 2019(02)
[3]基于提升小波变换的阈值改进去噪算法在紫外可见光谱中的研究[J]. 周风波,李长庚,朱红求. 光谱学与光谱分析. 2018(02)
[4]一种改进的模糊聚类图像分割算法[J]. 李昌兴,薛新伟,吴成茂. 西安邮电大学学报. 2017(05)
[5]自动确定聚类个数的模糊聚类算法[J]. 陈海鹏,申铉京,龙建武,吕颖达. 电子学报. 2017(03)
[6]一种空间相关性与隶属度平滑的FCM改进算法[J]. 肖满生,肖哲,文志诚,周立前. 电子与信息学报. 2017(05)
[7]Intuitionistic fuzzy C-means clustering algorithms[J]. Zeshui Xu1,2,* and Junjie Wu3 1.School of Economics and Management,Southeast University,Nanjing 210096,P.R.China;2.Institute of Sciences,PLA University of Sciences and Technology,Nanjing 210007,P.R.China;3.Department of Information Systems,School of Economics and Management,Beihang University,Beijing 100191,P.R.China. Journal of Systems Engineering and Electronics. 2010(04)
[8]对手抑制式模糊C-均值算法[J]. 魏立梅,谢维信. 电子学报. 2000(07)
本文编号：3446378
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3446378.html
