基于改进模糊C-均值的遥感图像聚类分割算法

论文摘要

模糊聚类分析是非监督模式识别的重要分支,在模式识别、数据挖掘、计算机视觉以及模糊控制等领域具有广泛的应用。模糊聚类算法中最常用的是模糊C-均值（FCM）聚类算法,它是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效。但是模糊C-均值（FCM）聚类算法存在着一定的缺陷,它易受初始聚类中心和初始隶属度矩阵的影响,可能收敛到局部极小值,影响着分割的效果;在大量数据集的情况下,比如说遥感图像,模糊C-均值（FCM）的反复迭代就会造成算法耗时过长。为了克服这些缺陷,有文献提出了遗传算法（GA）,蚁群算法（ACO）和粒子群（PSO）算法等与模糊C-均值（FCM）相结合。本文提出了两种算法对图像进行聚类分割:一种是基于混合蛙跳与模糊C-均值（FCM）结合的图像分割算法,该算法的主要思想是:用混合蛙跳（SFLA）结合模糊C-均值（FCM）算法来克服由于模糊C-均值（FCM）算法易受初始聚类中心和初始隶属度矩阵的影响而使图像分割效果不理想的缺陷。实验表明,该算法与近期提出的模糊C-均值（FCM）结合模糊粒子群（FPSO）算法对图像分割效果进行比较,得到了更好的图像分割效果。另一种算法是改进的模糊C-均值（FCM）与粒子群（PSO）结合的自适应图像分割算法,该算法的主要思想是:引入上下截集参数来动态调整隶属度函数,加快收敛速率,并且引入了自适应的聚类数算法,使在对图像聚类分割时能自适应的调整聚类数目。实验表明,用该算法与标准模糊C-均值（FCM）结合粒子群（PSO）算法比较,在分割效果相同的情况下,能够优化图像的聚类数并且使收敛速度更快。

论文目录

• 摘要
• Abstract
• 第一章 前言
• 1.1 模糊聚类
• 1.1.1 研究背景
• 1.1.2 研究现状
• 1.1.3 研究内容及意义
• 1.2 遥感概述
• 1.2.1 遥感的基本概念
• 1.2.2 遥感的分类
• 1.3 论文内容的组织
• 1.4 本章小结
• 第二章 理论知识
• 2.1 遥感图像的计算机分类
• 2.1.1 概述
• 2.1.2 非监督分类
• 2.1.3 监督分类
• 2.2 模糊聚类理论
• 2.3 模糊C-均值聚类算法
• 2.3.1 模糊C-均值（FCM）的算法原理
• 2.3.2 模糊C-均值算法（FCM）分析
• 2.4 混合蛙跳算法
• 2.4.1 基本概念
• 2.4.2 局部搜索
• 2.4.3 全局信息交换
• 2.4.4 混合蛙跳算法分析
• 2.5 粒子群算法（PSO）
• 2.5.1 粒子群算法简介
• 2.5.2 粒子群算法的表示和迭代公式
• 2.5.3 适应度函数
• 2.5.4 基本算法流程
• 2.6 本章小结
• 第三章 基于混合蛙跳与模糊C-均值结合的图像分割算法
• 3.1 模糊粒子群算法
• 3.2 基于混合蛙跳与模糊C-均值（FCM）结合的图像分割算法描述
• 3.3 实验结果与讨论
• 3.4 本章小结
• 第四章 基于改进的模糊C-均值和粒子群结合的自适应图像分割算法
• 4.1 上下截集的加权模糊C-均值算法
• 4.2 聚类数的自适应性
• 4.3 基于改进的模糊C-均值和粒子群的自适应图像分割算法描述
• 4.4 实验结果与分析
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 展望
• 参考文献
• 攻读硕士期间发表的学术论文
• 致谢