16、基于改进隶属度的模糊C均值聚类分割算法及改进模糊神经网络空调控制器研究

基于改进隶属度的模糊C均值聚类分割算法及改进模糊神经网络空调控制器研究

基于改进隶属度的模糊C均值聚类分割算法

1. 引言

图像分割是图像处理中极具挑战性的难题，在机器人视觉、目标识别、地理成像和医学成像等众多领域都有广泛应用。其目的是将图像划分为互不重叠的区域，使每个区域内部均匀，相邻区域异质。然而，目前并没有一种通用的图像分割方法能适用于所有图像。

过去几十年里，模糊分割方法，尤其是模糊C均值算法（FCM）在图像分割中得到了广泛应用。相较于硬分割方法，FCM能保留更多原始图像信息。但标准FCM算法未考虑图像的空间信息，对噪声和其他成像伪影非常敏感。为改进FCM算法，许多研究人员提出了新方法，如采用鲁棒距离度量、正则化模糊C均值聚类方法、结合局部空间和灰度信息的FCM框架等。本文提出了基于改进隶属度的模糊C均值聚类分割算法（MFCMp,q），将空间信息融入隶属度函数进行聚类，实验表明该算法及快速版FMFCMp,q能更有效地分割图像，减少噪声影响并纠正误分类像素。

2. 基于统计直方图的快速模糊C均值算法

FCM算法是迭代操作，耗时较长，不适用于图像分割。为解决这一问题，研究人员将图像的统计灰度直方图应用于算法，加快了标准FCM算法的速度。

定义非负整数集 ${L_{min}, L_{min}+1, \cdots, L_{max}}$ 为灰度级，其中 $L_{max}$ 是最大灰度级，灰度范围为 $L_{max}-L_{min}$。对于大小为 $S\times T$ 的图像，在点 $(s,t)$ 处，$f(s,t)$ 是灰度值，$0\leq s\leq S - 1$，$0\leq t\leq T - 1$。设 $