彭茜
- 作品数：2 被引量：2H指数：1
- 供职机构：江南大学数字媒体学院更多>>
- 发文基金：江苏省“六大人才高峰”高层次人才项目江苏省产学研联合创新资金项目更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于类间极大化的PCM聚类技术的图像分割方法被引量：1
- 2016年
- 在图像分割的多种方法中,模糊C均值(FCM)聚类是最简单有效的。可能性C-均值算法(PCM)作为FCM的同类算法具有更佳的聚类性能和概率解释性,但无论是FCM还是PCM均受隶属度的约束影响使其对噪声点和野值点较为敏感。针对以上问题,提出了一种新的称之为类间极大化的PCM算法(MPCM)聚类算法。该算法考虑了对类间的惩罚,通过调控参数λ,拉大类中心之间的距离,实现图像中像素点的最佳分类。给出了人工合成纹理图像、真实图像以及带有椒盐噪声的真实图像的实验,结果表明算法在图像分割效果上优于传统的聚类分析算法。
- 彭茜狄岚杨文静
- 关键词：图像分割聚类纹理图像
- 一种极大中心间隔的核可能性C均值聚类算法被引量：1
- 2016年
- 传统核可能性C均值(KPCM)算法仅考虑类内的紧密性而忽略了类间的距离关系,在对边界模糊的数据进行聚类分析时,会引起因聚类中心距离小或重合引起的边界点误分问题。为解决上述问题,在核可能性C均值基础上引入高维特征空间中的类间极大惩罚项和调控因子λ,构造了全新的目标函数,称为极大中心间隔的核可能性C均值(MKPCM)聚类算法。该算法通过类间极大惩罚项使类间距离极大化,并利用调控因子λ合理控制类间距,较好地避免了类中心间距离小或重合的现象。通过大量的实验证明,算法对于边界模糊的数据聚类效果优于传统的聚类算法;在图像分割的实际应用中,算法也明显优于传统的聚类算法。
- 于晓瞳狄岚彭茜
