基于模糊C-均值聚類與模糊支持向量機的自適應圖像分割算法.pdf

1、圖像分割是圖像處理問題中的關鍵步驟，其準確性對其后的圖像處理質量至關重要.模糊C-均值聚類(FCM)及支持向量機方法(SVM)是解決圖像分割問題最為常見的兩類方法，尤其是模糊C-均值聚類算法，在醫(yī)學圖像的分割處理中有十分成功的應用，然而，在圖像的采集、保存及前期處理過程中，難免會有部分圖像數據失真，即噪聲，這對算法得到高質量分割效果十分不利，已有學者試圖利用圖像鄰域信息或松弛分割邊界等思想，改進FCM及SVM算法，以減少噪聲影響，但這些

2、算法都存在著參數選取對噪聲敏感的問題，針對這一問題，本論文主要在算法參數選取對噪聲的自適應性方面做了一些探索工作.下面將本論文的主要工作歸納如下:
　　為解決快速廣義FCM算法(FGFCM)鄰域半徑參數選取對噪聲敏感的問題，本文利用算法中間步中的像素隸屬度來度量鄰域的噪聲強度，進而通過這一度量值來調節(jié)像素局部的鄰域半徑值，從而達到自適應調整窗口大小以減少噪聲影響、并同時盡可能保留局部圖像信息的目的，根據這一思想提出了自適應調節(jié)參數

3、的新算法—N-FGFCM算法.本文對人工合成和非人工圖像都做了大量的數值實驗用以比較經典的FCM算法、FGFCM算法及本文提出的N-FGFCM算法，實驗結果表明新算法無論在分割準確率、自適應性及計算時間上都具有一定的優(yōu)勢，
　　針對已有模糊支持向量機(FSVM)模型模糊隸屬度參數選取計算復雜度大及對噪聲敏感問題，本文提出了一種基于N-FGFCM的新的自適應FSVM算法—Auto-NFSVM算法.新算法利用N-FGFCM算法自動對樣