噪声自适应模糊C-均值算法：融合Canopy聚类与非局部空间信息

"这篇论文研究了一种基于Canopy聚类的噪声自适应模糊C-均值算法，旨在解决模糊C-均值算法在处理含噪图像时的空间影响因子易受干扰的问题。论文提出的新算法NLWFLICM融合了局部和非局部空间信息，根据噪声程度动态调整权重，并优化了中心点的模糊影响因子，增强了算法的鲁棒性和自适应性。此外，通过结合Canopy算法的快速粗聚类特性，进一步提出了Canopy-NLWFLICM算法，以提升聚类性能和收敛速度，特别是在预处理聚类中心方面，显著提高了图像分割的精度。该研究受到国家自然科学基金和江苏省研究生科研创新计划项目的资助。" 本文介绍的研究主要关注图像分割中的聚类算法，特别是模糊C-均值（FCM）算法的改进。传统的模糊C-均值算法在处理含有噪声的数据时，其基于局部空间信息的影响因子可能会被噪声误导，导致错误的分割结果。为了解决这一问题，研究者提出了一种名为NLWFLICM（Non-Local Weighted Fuzzy Local Information C-Means，非局部加权模糊局部信息C-均值）的新算法。NLWFLICM将非局部空间信息融入到模糊影响因子中，这使得算法能够在处理噪声图像时更准确地捕捉空间关系，提高了算法对噪声的鲁棒性，并保留了图像的纹理细节。 在NLWFLICM的基础上，研究进一步引入了Canopy聚类算法，创建了Canopy-NLWFLICM算法。Canopy算法是一种快速的粗聚类方法，能有效减少计算复杂度。将Canopy算法与NLWFLICM结合，可以在聚类前对数据进行预处理，提前确定大致的聚类中心，从而加快了FCM算法的收敛速度，提升了图像分割的准确性。 论文的实验结果证明，NLWFLICM算法相对于基础的WFLICM算法具有更高的鲁棒性和自适应性，特别在处理高噪声图像时效果更优。而Canopy-NLWFLICM算法则在保持NLWFLICM优势的同时，进一步优化了聚类性能和收敛效率。 该研究的作者是来自江南大学数字媒体学院的陈凯、陈秀宏和孙慧强，他们的工作受到了国家自然科学基金和2017年江苏省研究生科研创新计划项目的支持。研究结果对于理解和改进模糊C-均值聚类算法以及在图像处理领域的应用具有重要的理论和实践意义。