MM(i,j)=90;elseIMMM(i,j)=20;endendendIMMM=uint8(IMMM);figure(3);imshow(uint8(IMMM));end流程图:四,实验结果1,对无噪图像进行模糊聚类分割处理结果2,(1)加高斯噪声对图像模糊聚类分割处理结果(2)加椒盐噪声对图像模糊聚类分割处理结果(3)加斑点噪声对图像模糊聚来分割的处理结果五,算法综述模糊划分的概念最早由Ruspin于1969年提出的提出,利用这一概念人们提出了多种聚类方法。模糊聚类分析按照聚类过程的不同大致可以分为三大类:(l)基于模糊关系的分类法(2)基于目标函数的模糊聚类算法(3)基于神经网络的模糊聚类算法.模糊聚类属于模式识别中的无监督学习,它不需要训练样本,可以直接通过机器学习达到自动分类的目的.模式识别中最关键的技术就是特征提取,模糊聚类不但能从原始数据中提取特征,而且还能对特征进行优化选择和降维;在提取特征之后,模糊聚类还可以提供最近邻原型分类器,以及进行空间划分和模糊规则的提取,帮助构造基于模糊IF-THEN规则的分类器;在物体识别和线条检测中,模糊聚类可以用于原始的数据上,也可用于变换域中.在模式识别的一些具体应用领域中,模糊聚类也取得了较好的结果,比如,汉字识别的字符预分类、语音识别中的分类和匹配等.C-均值算法的隶属度要么是1,要么是0,这不能反映数据点与类中心的实际关系.为了处理这个问题,人们引入了模糊集的概念.使用模糊数学理论的聚类算法被称为模糊聚类算法.自1969年Ruspini首先提出第1个解析的模糊聚类算法以来,已经有很多人提出了许多的模糊聚类算法.基于模糊划分的模糊聚类算法,其主要思想是将经典划分的定义模糊化,文献中主要有两种比较成功的思路来实现这种模糊化,一是在C-均值算法的目标函数中引入隶属度函数的权重指数,二是在C-均值算法目标函数中引入信息熵.
全文预览
