11678

يك روش خوشه‌بندي فازي c-means جديد بر اساس فاصله الاستيك تطبيقي

1400

جواد وحيدي

هموارسازي بر اساس اطلاعات همسايگي روشي موثر براي روش‌هاي خوشه‌بندي براي بهبود استحكام بخش‌بندي تصوير است. اما هموارسازي معمول برخي از جزئيات مهم را از دست مي‌دهد، به خصوص زماني كه ساختار خوشه‌اي نامناسب باشد. در مقابل، يك ساختار خوشه‌اي به خوبي آموخته شده براي به حداكثر رساندن اثر هموارسازي مفيد است تا عملكرد تقسيم‌بندي تصوير ارتقا يابد. با اين حال، در اكثر روش‌هاي خوشه‌بندي مبتني بر فازي c-means يا FCMپيشرفته، توابع منظم‌سازي براي تغيير تعامل بين هر جفت نقطه اعمال مي‌شود و معمولاً در يك روند يكنواخت يا افزايش يا كاهش نشان مي‌دهد. اين منجر به توانايي ضعيف در تشخيص ساختار خوشه مي شود. براي حل اين مشكل، ما يك فاصله الاستيك تطبيقي ​​را بر اساس عضويت معرفي كرديم و يك فازي c-means الاستيك (EFCM) را پيشنهاد كرديم. EFCM يك توصيف پراكنده براي نقاط قابل اطمينان و يك توصيف فازي تر براي نقاط حاشيه اي خوشه ها ارائه مي دهد، بنابراين، تفسيرپذيري نقاط قابل اعتماد بهبود مي يابد و تأثير نقاط حاشيه خوشه ها نيز برجسته مي شود. اين بدان معناست كه EFCM توانايي بهتري در تشخيص ساختار خوشه‌اي ذاتي دارد. علاوه بر اين، با تركيب EFCM با يك روش هموارسازي، يك روش خوشه‌بندي c-means فازي جديد بر اساس فاصله كشسان تطبيقي ​​(ARFCM) براي تقسيم‌بندي تصوير پيشنهاد شد. با بهره گيري از توانايي بهبود يافته براي تشخيص ساختار خوشه اي ذاتي، ARFCM مي تواند از اطلاعات همسايگي در تقسيم بندي تصوير بهتر استفاده كند. نتايج آزمايش نشان مي‌دهد كه براي همه تصاوير آلوده به نويزهاي مختلف، ARFCM نسبت به ساير روش‌هاي پيشرفته به دقت تقسيم‌بندي بهتري دست مي‌يابد. علاوه بر اين، ARFCM مي‌تواند بافت شفاف‌تر و مناطق همگن‌تري در تصاوير واقعي به دست آورد.

1/1/2023 12:00:00 AM

77587

1401/10/25

A new robust fuzzy c-means clustering method based on adaptive elastic distance

خوشه بندي , فازي سي ميانگين , فاصله كشسان تطبيقي

FCM , Clustering , Elastic distance