科研之友
微信
新浪微博
Facebook
分享链接
摘要
提出一种融合稀疏自表示和残差驱动的自适应模糊C均值聚类算法（R2AFCM）.该算法的优点主要体现在以下两个方面:1)利用稀疏自表示技术求解样本数据的字典矩阵,并将其表征的全局信息考虑到目标函数中,充分考虑数据分布特点,改进传统模糊C均值聚类算法重点关注局部信息的不足; 2)在目标函数中引入加权残差估计正则化项,与自适应模糊聚类算法的正则化项相结合,约束模型训练,有效降低混合噪声对分割结果的影响.在磁共振成像、VOC 2012数据集以及自然图像上进行对比实验,结果表明,所提出的聚类算法在添加了20%椒盐噪声和均值为0.4、方差为0.01的高斯噪声,以及50%椒盐噪声和均值为0、方差为0.1的混合噪声下与其他算法相比,具有更高的分割精度和更强的鲁棒性.
- 单位
