基于ELM的局部空间信息的模糊C均值聚类图像分割算法

摘要：

极限学习机(Extreme learning machine,ELM)作为一种新技术具有在回归和分类中良好的泛化性能.局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means,WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力.基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM).该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means,NKWFLICM)进行聚类.实验结果表明ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效,同时克服了模糊聚类算法对模糊指数的敏感性问题.

关键词：聚类算法、图像分割、模糊C均值算法、极限学习机

所属期刊栏目：34

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61373055

在线出版日期：2019-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：100-110