基于半监督信息的截集式可能性C-均值聚类算法

范九伦 高梦飞于海燕 陈斌斌

(西安邮电大学通信与信息工程学院 西安 710121)

(西安邮电大学电子信息勘验应用技术公安部重点实验室 西安 710121)

1 引言

图像分割[1]是计算机视觉领域中的重要技术，是后续进行图像分析与识别的基础，其目的是从图像中将感兴趣的区域与其他部分进行分离并提取出来。常规的图像分割方法包括：基于阈值的分割方法[2]、基于区域的分割方法[3]、基于边缘的分割方法[4]、基于聚类的分割方法[5]等。作为聚类图像分割的常用方法，模糊C-均值(Fuzzy C-Means,FCM)[6]对噪声点和奇异点非常敏感。这主要是缘于该算法对隶属度有约束条件：要求各个样本点到所有类的隶属度之和必须为1。

为解决FCM聚类算法对噪声敏感的问题，Krishnapuram等人[7]提出可能性C-均值(Possibilistic C-Means,PCM)聚类算法，PCM聚类算法放弃了FCM聚类算法中隶属度和为1的约束条件，能明显改善FCM聚类算法的噪声敏感问题。然而PCM聚类算法完全释放了类间关系，只有PCM目标函数在全体聚类中心重合时才能获得真正的全局最优解，导致PCM聚类算法非常不稳定，容易出现聚类中心重合的问题[8,9]。除此之外，PCM聚类算法还存在对初始化敏感、参数设置敏感等一系列问题。为解决这些问题，学者对PCM聚类算法进行了一些改进，Pal等人[10]提出了可能性-模糊混合聚类算法，以克服聚类中心重合现象。Memon等人[11]将核PCM聚类算法和FCM聚类算法相结合，提出了结合局部信息的核PCM聚类算法，该算法提高了PCM对噪声的鲁棒性。

针对PCM的聚类中心重合问题，从……