魯棒模糊加權C-有序均值聚類算法研究
發(fā)布時間：2021-10-20 05:58
模糊聚類分析作為信息科學、統(tǒng)計學、數學、機器學習等多個學科交叉而形成的一種無監(jiān)督的數據分析方法,是數據分析、知識發(fā)現(xiàn)和智能決策等領域中的重要研究內容。本文在對國內外關于模糊聚類相關研究進行深入了解的基礎上,采用理論分析、數據實驗和應用研究相結合的方法,對模糊聚類進行了較深入的研究。課題從以下幾個方面對現(xiàn)有算法做出以下改進:引入了局部空間信息解決了數據受鄰域數據影響的問題;引入了數據典型性解決了數據在計算中和中心距離遠近影響問題;引用模糊直覺算法解決了對數據不確定性進行了定性研究問題。首先,針對現(xiàn)有模糊聚類法存在去噪性差,計算量大,魯棒性不足問題,提出一種新的混合聚類算法,新的算法兼容模糊C-均值聚類、聚類空間鄰域和聚類數據典型性特性。新的算法綜合考慮了運用模糊數學去處理數據的模糊性的優(yōu)點、數據受鄰域數據影響的空間鄰域客觀性優(yōu)點和數據離中心距離遠近的典型性優(yōu)點。實驗結果表明,合理地設置不同指標的權重能夠解決現(xiàn)有聚類算法魯棒性不足、去燥性差的缺點,較好的實現(xiàn)對給定數據集聚類劃分。其次,針對現(xiàn)有模糊C-均值（FCM）算法對噪聲敏感性問題,數據空間考慮不足問題,提出了一種模糊C-均值（FCM）...
【文章來源】：燕山大學河北省
【文章頁數】：121 頁
【學位級別】：博士
【部分圖文】：
基于椒鹽的去噪合成圖像分割結果比較
第3章偏差校正模糊加權C-有序均值聚類算法研究-49-表3-3（續(xù)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從表3-3中數據的比較值可以看出，對于具有不同水平“鹽與胡椒”噪聲污染的合成圖像，BFWCOM分割精度始終高于其他方法的分割精度。3.5.3腦部MR圖像和Lena圖像實驗本節(jié)對真實圖像進行了實驗，特別是對腦部磁共振(MagneticResonance,MR)圖像和Lena人像進行了實驗，以證明所提出的BFWCOM算法的性能。同時還采用了一些眾所周知的圖像分割方法作為比較方法，如FCMS、FCMS1、FCMS2、FLICM、ARKFCM和FRFCM。a)原始圖像b)椒鹽圖像c)FCMSd)FCMS1e)FCMS2f)FLICMg)ARKFCMh)FRFCMi)BFWCOM圖3-7基于鹽和胡椒的去噪腦CT圖像分割結果Fig.3-7SegmentationResultsontheBrainMRImagefromDenoisingBaseonSalt&Pepper.在圖3-5和圖3-6對合成圖去噪結果比較之外，在圖3-7和圖3-8中首先使用高斯和“鹽與胡椒”混合噪聲干擾真實圖像[95]，其次運用7種算法對噪聲損壞的真實圖像進行去噪，最后根據真實圖像的去噪結果進行比較。這種真實圖像的挑選主要從兩個方面進行，一種是選擇腦MR圖像進行測試，另一種是選擇Lena頭像的進行測試，從醫(yī)學圖像和自然人像兩個角度進行比較。(1)腦部MR圖像去噪實驗結果
第3章偏差校正模糊加權C-有序均值聚類算法研究-51-則需要一個更大的窗口來測量相似性，即在這種情況下，S的5×5或7×7窗口是合適的，所以在這里采用5×5的窗口。圖3-9是對加入方差20%的高斯噪聲的Lena圖片去噪結果的比較，其中：a)原始LENA圖像；b)灰色圖像；c)圖像加高斯（零均值和20%方差）；d)-j)分別是FCMS、FCMS1、FCMS2、FLICM、ARKFCM、FRRCM和BFWCOM結果。由圖可知，本節(jié)所提出的BFWCOM算法明顯優(yōu)于FCMS、FCMS1、FCMS2、FLICM和ARKFCM，而FRRCM算法處理的效果很好，但在細節(jié)上還是BFWCOM算法更細致。為了進一步驗證BFWCOM算法的去噪效果，本節(jié)從客觀數據上比較分析所提出的算法的性能。使用均方誤差（MeanSquaredError，MSE）、峰值信噪比(PeakSignal-to-NoiseRatio，PSNR)[96;97]和信噪比（Signal-to-NoiseRatio,SNR）[98]對去噪后的圖像進行數值計算。a)原始圖像b)灰色圖像c)噪聲圖d)FCMSe)FCMS1f)FCMS2g)FLICMh)ARKFCMi)FRRCMj)BFWCOM圖3-9基于高斯去噪的LENA圖像分割結果Fig.3-9SegmentationResultsontheLenaImageFromDenoisingBaseonGaussian均方誤差的表達式如式(3-58)所示。(())2111,MNjiijMSEfjifMN===(3-58)峰值信噪比和信噪比的表達式分別為式(3-59)和式(3-60)。21010(25525120)5PSNR0loglogMSEMSE==(3-59)
【參考文獻】：
期刊論文
[1]基于模糊聚類的多傳感器遙感圖像海岸線提取方法[J]. 陳育才. 測繪地理信息. 2019(05)
[2]基于改進PSO和FCM的模糊辨識[J]. 劉楠,劉福才,孟愛文. 智能系統(tǒng)學報. 2019(02)
[3]基于提升小波變換的閾值改進去噪算法在紫外可見光譜中的研究[J]. 周風波,李長庚,朱紅求. 光譜學與光譜分析. 2018(02)
[4]一種改進的模糊聚類圖像分割算法[J]. 李昌興,薛新偉,吳成茂. 西安郵電大學學報. 2017(05)
[5]自動確定聚類個數的模糊聚類算法[J]. 陳海鵬,申鉉京,龍建武,呂穎達. 電子學報. 2017(03)
[6]一種空間相關性與隸屬度平滑的FCM改進算法[J]. 肖滿生,肖哲,文志誠,周立前. 電子與信息學報. 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]對手抑制式模糊C-均值算法[J]. 魏立梅,謝維信. 電子學報. 2000(07)
本文編號：3446378
【文章來源】：燕山大學河北省
【文章頁數】：121 頁
【學位級別】：博士
【部分圖文】：
基于椒鹽的去噪合成圖像分割結果比較
第3章偏差校正模糊加權C-有序均值聚類算法研究-49-表3-3（續(xù)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從表3-3中數據的比較值可以看出，對于具有不同水平“鹽與胡椒”噪聲污染的合成圖像，BFWCOM分割精度始終高于其他方法的分割精度。3.5.3腦部MR圖像和Lena圖像實驗本節(jié)對真實圖像進行了實驗，特別是對腦部磁共振(MagneticResonance,MR)圖像和Lena人像進行了實驗，以證明所提出的BFWCOM算法的性能。同時還采用了一些眾所周知的圖像分割方法作為比較方法，如FCMS、FCMS1、FCMS2、FLICM、ARKFCM和FRFCM。a)原始圖像b)椒鹽圖像c)FCMSd)FCMS1e)FCMS2f)FLICMg)ARKFCMh)FRFCMi)BFWCOM圖3-7基于鹽和胡椒的去噪腦CT圖像分割結果Fig.3-7SegmentationResultsontheBrainMRImagefromDenoisingBaseonSalt&Pepper.在圖3-5和圖3-6對合成圖去噪結果比較之外，在圖3-7和圖3-8中首先使用高斯和“鹽與胡椒”混合噪聲干擾真實圖像[95]，其次運用7種算法對噪聲損壞的真實圖像進行去噪，最后根據真實圖像的去噪結果進行比較。這種真實圖像的挑選主要從兩個方面進行，一種是選擇腦MR圖像進行測試，另一種是選擇Lena頭像的進行測試，從醫(yī)學圖像和自然人像兩個角度進行比較。(1)腦部MR圖像去噪實驗結果
第3章偏差校正模糊加權C-有序均值聚類算法研究-51-則需要一個更大的窗口來測量相似性，即在這種情況下，S的5×5或7×7窗口是合適的，所以在這里采用5×5的窗口。圖3-9是對加入方差20%的高斯噪聲的Lena圖片去噪結果的比較，其中：a)原始LENA圖像；b)灰色圖像；c)圖像加高斯（零均值和20%方差）；d)-j)分別是FCMS、FCMS1、FCMS2、FLICM、ARKFCM、FRRCM和BFWCOM結果。由圖可知，本節(jié)所提出的BFWCOM算法明顯優(yōu)于FCMS、FCMS1、FCMS2、FLICM和ARKFCM，而FRRCM算法處理的效果很好，但在細節(jié)上還是BFWCOM算法更細致。為了進一步驗證BFWCOM算法的去噪效果，本節(jié)從客觀數據上比較分析所提出的算法的性能。使用均方誤差（MeanSquaredError，MSE）、峰值信噪比(PeakSignal-to-NoiseRatio，PSNR)[96;97]和信噪比（Signal-to-NoiseRatio,SNR）[98]對去噪后的圖像進行數值計算。a)原始圖像b)灰色圖像c)噪聲圖d)FCMSe)FCMS1f)FCMS2g)FLICMh)ARKFCMi)FRRCMj)BFWCOM圖3-9基于高斯去噪的LENA圖像分割結果Fig.3-9SegmentationResultsontheLenaImageFromDenoisingBaseonGaussian均方誤差的表達式如式(3-58)所示。(())2111,MNjiijMSEfjifMN===(3-58)峰值信噪比和信噪比的表達式分別為式(3-59)和式(3-60)。21010(25525120)5PSNR0loglogMSEMSE==(3-59)
【參考文獻】：
期刊論文
[1]基于模糊聚類的多傳感器遙感圖像海岸線提取方法[J]. 陳育才. 測繪地理信息. 2019(05)
[2]基于改進PSO和FCM的模糊辨識[J]. 劉楠,劉福才,孟愛文. 智能系統(tǒng)學報. 2019(02)
[3]基于提升小波變換的閾值改進去噪算法在紫外可見光譜中的研究[J]. 周風波,李長庚,朱紅求. 光譜學與光譜分析. 2018(02)
[4]一種改進的模糊聚類圖像分割算法[J]. 李昌興,薛新偉,吳成茂. 西安郵電大學學報. 2017(05)
[5]自動確定聚類個數的模糊聚類算法[J]. 陳海鵬,申鉉京,龍建武,呂穎達. 電子學報. 2017(03)
[6]一種空間相關性與隸屬度平滑的FCM改進算法[J]. 肖滿生,肖哲,文志誠,周立前. 電子與信息學報. 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]對手抑制式模糊C-均值算法[J]. 魏立梅,謝維信. 電子學報. 2000(07)
本文編號：3446378
本文鏈接：http://sikaile.net/shoufeilunwen/xxkjbs/3446378.html
