导读:本文包含了快速模糊均值聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:模糊C均值聚类,图像分割,自适应滤波,图像噪声
快速模糊均值聚类论文文献综述
王小鹏,张永芳,王伟,文昊天[1]（2018）在《基于自适应滤波的快速广义模糊C均值聚类图像分割》一文中研究指出快速广义模糊C均值聚类(FGFCM)在对高噪声图像进行聚类分割时,噪声容易导致聚类中心发生偏移,影响图像分割结果.为此,文中提出基于自适应滤波的快速广义模糊C均值聚类算法,用于图像分割.首先根据非局部像素的噪声概率自适应确定参数平衡因子,更准确地反映图像包含的空间结构信息.然后利用该平衡因子有效结合FGFCM中的线性加权和滤波图像与原始图像的中值滤波图像,由于得到的自适应滤波图像根据图像中像素为噪声的概率自适应确定滤波程度,因此可以提高算法对噪声的动态抑制能力.实验表明,相比模糊C均值聚类和FGFCM,文中算法在对噪声含量较高的图像进行聚类分割时,可以得到更准确的结果.(本文来源于《模式识别与人工智能》期刊2018年11期）
侯晓凡,吴成茂[2]（2016）在《一种快速的模糊局部C-均值聚类分割算法》一文中研究指出针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。(本文来源于《计算机科学》期刊2016年10期）
许芹,唐敦兵,蔡祺祥[3]（2016）在《改进的快速模糊C均值聚类图像分割算法》一文中研究指出为了提高图像分割的运算速度,该文在将传统模糊C均值(FCM)聚类算法应用于图像自动分割的基础上,提出一种改进的快速图像分割算法。将图像从像素空间映射至其对应的灰度直方图特征空间,实现在特征空间进行数据聚类分析以减少聚类样本数量。依据灰度直方图特性,通过曲线拟合方法获得图像的聚类数及初始聚类中心。实验结果表明,在有效分割图像的基础上,该算法的运算迭代次数减少了约10%,运行时间减小了约6%。(本文来源于《南京理工大学学报》期刊2016年03期）
周文刚,付芬[4]（2015）在《基于快速全局模糊C均值聚类算法的脑瘤图像分割》一文中研究指出针对经典模糊C均值聚类算法对初始聚类中心过于敏感的缺陷,提出一种快速全局模糊C均值聚类算法.该算法采用分阶段动态递增的方式选取初始聚类中心,避免了随机化设置导致的聚类结果稳定性差问题.实验分析表明,改进后的模糊C均值聚类算法在脑瘤图像分割中的聚类效果较好,多个数据集的聚类准确率也表明,快速全局模糊C均值算法的聚类稳定性明显提升.(本文来源于《吉林大学学报(理学版)》期刊2015年03期）
王军玲,王士同,包芳,周建林[5]（2015）在《基于空间距离的快速模糊C均值聚类算法》一文中研究指出针对传统的模糊C均值聚类算法在进行图像分割时对孤立点、噪声点敏感性较强,聚类耗时随图像变大而快速增长等缺陷,基于临近元素空间距离的模糊C均值聚类算法即SFGFCM算法,采用核化的空间距离公式,计算出空间临近像素与考察像素的相似度Sij,然后用邻近像素灰度加权和计算出邻近信息制约图像,并进一步在邻近信息制约图像的灰度级统计的基础上进行聚类。该算法考察了临近像素灰度和位置等信息,并且它们之间取得了很好的平衡;不仅表现出较强的鲁棒性且很好地保留了原图像边缘等细节信息,提高了聚类精度,同时大大缩短了大幅图像的聚类时间。通过在合成图像、医学图像及自然图像上的大量实验,与传统算法对比该算法聚类性能明显提高,在图像分割上体现出了较好的分割效果。(本文来源于《计算机工程与应用》期刊2015年01期）
李云松,冯玉东,张国锋[6]（2013）在《基于快速模糊C均值聚类的图像粗集分割》一文中研究指出传统的模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但它有两个缺陷:一是收敛速度过慢;二是当图像的目标和背景像素拥有相近的灰度值,具有相似的隶属度,导致了图像边界区域的不连续和模糊.针对该问题,提出一种改进的算法,在快速FCM聚类的基础上,利用粗糙集理论中的上近似和下近似的概念来描述图像的目标和背景,引入粗糙熵的概念,选择合适的阈值,对图像进行精确分割.实验结果表明,这种算法可以达到满意的分割效果.(本文来源于《兰州理工大学学报》期刊2013年01期）
赵艳妮,郭华磊,李敬华[7]（2012）在《基于粒子群模糊C均值聚类的快速图像分割》一文中研究指出模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。(本文来源于《电子设计工程》期刊2012年18期）
沙秀艳,王贞俭[8]（2012）在《基于快速二维熵的加权模糊C均值聚类图像分割》一文中研究指出提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。(本文来源于《计算机工程与应用》期刊2012年10期）
黄永林,叶玉堂,乔闹生,陈镇龙[9]（2011）在《基于快速模糊C均值聚类算法的红外图像分割》一文中研究指出针对模糊C均值(FCM)聚类图像分割需要预先知道类别数及计算量较大的问题,提出了新的快速FCM改进方法。首先,利用边缘信息进行邻域搜索得到种子像素;通过区域生长快速获得区域分割类别数和对应的聚类中心值,并将图像分成确定类别的区域和未确定类别的区域;最后利用所得的聚类中心值和FCM算法对未确定类别区域进行聚类。实验证明,本文提出的改进方法大大减少了计算量,显着提高了图像分割速度,而且由于聚类考虑了相邻像素点的关系,图像分割结果能够清晰地保留目标轮廓,提高了图像分割的质量。(本文来源于《强激光与粒子束》期刊2011年06期）
李彬,陈武凡[10]（2009）在《非局部降噪快速模糊C-均值聚类算法》一文中研究指出传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。(本文来源于《计算机工程与应用》期刊2009年35期）
快速模糊均值聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
快速模糊均值聚类论文参考文献
[1].王小鹏,张永芳,王伟,文昊天.基于自适应滤波的快速广义模糊C均值聚类图像分割[J].模式识别与人工智能.2018
[2].侯晓凡,吴成茂.一种快速的模糊局部C-均值聚类分割算法[J].计算机科学.2016
[3].许芹,唐敦兵,蔡祺祥.改进的快速模糊C均值聚类图像分割算法[J].南京理工大学学报.2016
[4].周文刚,付芬.基于快速全局模糊C均值聚类算法的脑瘤图像分割[J].吉林大学学报(理学版).2015
[5].王军玲,王士同,包芳,周建林.基于空间距离的快速模糊C均值聚类算法[J].计算机工程与应用.2015
[6].李云松,冯玉东,张国锋.基于快速模糊C均值聚类的图像粗集分割[J].兰州理工大学学报.2013
[7].赵艳妮,郭华磊,李敬华.基于粒子群模糊C均值聚类的快速图像分割[J].电子设计工程.2012
[8].沙秀艳,王贞俭.基于快速二维熵的加权模糊C均值聚类图像分割[J].计算机工程与应用.2012
[9].黄永林,叶玉堂,乔闹生,陈镇龙.基于快速模糊C均值聚类算法的红外图像分割[J].强激光与粒子束.2011
[10].李彬,陈武凡.非局部降噪快速模糊C-均值聚类算法[J].计算机工程与应用.2009