一种加权模糊C均值聚类算法及其在图像分割中的应用.docxVIP

一种加权模糊C均值聚类算法及其在图像分割中的应用薛艳锋(吕梁学院计算机系 山西吕梁 033000)摘要：在现有的模糊聚类算法中，通常认为每一维属性都同等重要，实则不然。在本文所提的算法中，通过Fisher线性判别率计算每一维属性对模糊聚类的贡献度并进行加权聚类。在人工和实际数据集所做实验表明：本方法在聚类效果上优于其他同类加权模糊C均值聚类算法。关键词：模糊C均值聚类；Fisher线性判别率；属性加权；分配系数；划分熵；隶属度；彩色图像分割；颜色空间A Weighted Fuzzy c-Means Clustering Algorithmwith an Application in Color Image SegmentationYan-FengXue(Department of Computer Science and Technology，LuliangUniversity,Luliang，033000）Abstract: In the existing fuzzy clustering algorithm, each dimension attribute is generally considered equally important, but in reality it is not. In the algorithm proposed in this paper, the attributes are successively weighted by using the method of Fishers linear discriminant ratio according to their contribution in clustering and the data are clustered. The experimental results done on synthetic and real data show that the method has superiority over other weighted fuzzy c-Means clustering algorithm in the clustering effect.Key words：fuzzy c-Means clustering；Fishers linear discriminant ratio；weighted features；Partition coefficient；Partition entropy； Degree of membership ；?Color image segmentation；color spaces；背景数据聚类是通过分类的方法把相似的数据元素分成不同的子集（subset），让在同一个子集中的数据元素具有相似的属性，不同子集中的数据元素具有相异的属性的过程。依据数据聚类的方式，可以将数据聚类分为硬聚类和模糊聚类（也称为软聚类）两种。在硬聚类中，数据元素被划分成不同的类，其中每个数据元素只能属于同一个类；在模糊聚类中，数据元素可以属于多个类，且每个数据元素都与每个类存在着对应的隶属度以表明数据元素和一个特定的类之间的关联强度。就模糊方法而言，在不同聚类中的隶属度是相互关联的，同时硬聚类也可以看成是模糊聚类的一个特例。模糊C-均值聚类（FCM）算法应用最广，它的模糊性允许一个数据元素属于2个或2个以上的聚类（通过隶属度体现），然后不断优化各个数据元素的隶属度以及聚类中心达到数据聚类效果最优的目的。具体做法是将一组有限的数据对象集合聚集为个模糊聚类并使目标函数最小化：其中：为模糊器，它能影响每个数据隶属度的模糊性；是数据对象与第个聚类相对应的隶属度；为数据对象与对应的聚类中心之间的欧式距离，每个数据对象包含个属性，即每个数据对象可表示为，其中是数据对象在d维属性上的映射。隶属度以及聚类中心的迭代公式如下：终止条件为其中，为终止准则；为迭代次数。详细步骤如下：初始化矩阵，;在第次迭代时，通过计算聚类中心，如(4)式；更新为，如(3)式；如果算法结束，否则，跳转至第2步；由于各个属性对聚类的贡献程度不等，所以需要为各个属性赋予对应的权重，文献[18]采用的Bootstrap方法证明了属性加权对聚类效果作用明显。Bootstrap方法需要重复选取不断调整属性权重直到聚类结束，或者需要通过计算大量的属性加权最后求取平均值。本文采用基于Fisher线性判别率的方法无需迭代直接计算各属性权重，减少了迭代次数的基础上提高了聚类效果。本文的组织结构如下：在第2部分详细简绍了基于Fisher准则的属性加权模糊C均值聚类算法；第3部分给出与模糊C均值聚类以及通过Bootstrap方法进行加权聚类的实验结果比较并分析其原因