[发明专利]一种基于改进的模糊C均值聚类的图像聚类方法及装置

权利要求书

1.一种基于改进的模糊C均值聚类的图像聚类方法，其特征在于，步骤如下：

输入样本图像，计算样本图像的特征值向量；运用灰度共生矩阵计算样本图像的特征值向量，样本图像的特征值向量包括角二阶矩、对比度、自相关、同质性/逆差距和熵；

将样本图像的特征值向量作为输入样本点，采用自组织神经网络算法进行分类，确定初始的聚类中心和聚类数目；

采用极大似然估计算法得出样本图像对各个类的归属概率，将该归属概率作为目标函数的权值以构建目标函数；将该归属概率作为目标函数的权值以构建目标函数的过程为：得到样本点归属于第k类的归属概率后，结合第k类的均值向量μ_k和第k类特征向量的协方差矩阵σ_k²，并经过基数为e的对数求解得到判别式g_k(x)，将g_k(x)作为权值ω_i代入模糊C均值聚类的目标函数J中，即：

其中，i为第i个聚类中心，j为第j个样本图像，j＝1,2,...,n，m为加权指数，d_ij为第j个样本图像x_j对第i个聚类中心的欧氏距离，μ_ij为第j个样本x_j隶属于第i个分类的隶属度，c为第c个聚类中心，ω_i为基于极大似然估计的权值，n为样本图像个数；由目标函数J得出加权后的隶属度和聚类中心；

根据初始的聚类中心和聚类数目，通过迭代计算下一次的聚类中心，直至相邻两次的目标函数值之间的变化量小于设定的阈值。

2.根据权利要求1所述的基于改进的模糊C均值聚类的图像聚类方法，其特征在于，还包括对样本图像进行去噪处理。

3.根据权利要求2所述的基于改进的模糊C均值聚类的图像聚类方法，其特征在于，采用高斯滤波方法对样本图像进行去噪处理。

4.一种基于改进的模糊C均值聚类的图像聚类装置，其特征在于，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：

输入样本图像，计算样本图像的特征值向量；运用灰度共生矩阵计算样本图像的特征值向量，样本图像的特征值向量包括角二阶矩、对比度、自相关、同质性/逆差距和熵；

将样本图像的特征值向量作为输入样本点，采用自组织神经网络算法进行分类，确定初始的聚类中心和聚类数目；

采用极大似然估计算法得出样本图像对各个类的归属概率，将该归属概率作为目标函数的权值以构建目标函数；将该归属概率作为目标函数的权值以构建目标函数的过程为：得到样本点归属于第k类的归属概率后，结合第k类的均值向量μ_k和第k类特征向量的协方差矩阵σ_k²，并经过基数为e的对数求解得到判别式g_k(x)，将g_k(x)作为权值ω_i代入模糊C均值聚类的目标函数J中，即：

其中，i为第i个聚类中心，j为第j个样本图像，j＝1,2,...,n，m为加权指数，d_ij为第j个样本图像x_j对第i个聚类中心的欧氏距离，μ_ij为第j个样本x_j隶属于第i个分类的隶属度，c为第c个聚类中心，ω_i为基于极大似然估计的权值，n为样本图像个数；由目标函数J得出加权后的隶属度和聚类中心；

根据初始的聚类中心和聚类数目，通过迭代计算下一次的聚类中心，直至相邻两次的目标函数值之间的变化量小于设定的阈值。

5.根据权利要求4所述的基于改进的模糊C均值聚类的图像聚类装置，其特征在于，还包括对样本图像进行去噪处理。

6.根据权利要求5所述的基于改进的模糊C均值聚类的图像聚类装置，其特征在于，采用高斯滤波方法对样本图像进行去噪处理。