基于局部信息的模糊C均值聚类算法

资 源 简 介

FLICM可以克服普通FCM的缺点，同时提高了聚类的性能。FLICM的主要特征是运用一种模糊局部（包括空间信息和灰度值）的相似性度量，以保证噪声的不灵敏度和和对图像细节的保护。最后运用MATLAB软件对此算法进行了实验，实验结果表明，FLICM算法较之于FCM算法对于噪声图像的分割有更好的鲁棒性。

详 情 说 明

使FLICM（模糊局部增强的C-均值聚类）可以克服普通FCM（模糊C-均值聚类）的缺点，并且提高了聚类的性能。FLICM的主要特征是使用一种模糊局部相似性度量，该度量考虑了空间信息和灰度值，以保证对噪声的不敏感性和对图像细节的保护。为了验证FLICM算法的有效性，我们使用MATLAB软件对该算法进行了实验。实验结果表明，相对于FCM算法，FLICM算法在噪声图像的分割方面具有更好的鲁棒性。