模糊C均值聚类算法及其在图像分割中的应用

针对模糊C均值（FCM）聚类算法中，聚类效果往往受到聚类数目和初始聚类中心影响这一问题，提出了基于平均信息熵确定聚类数目的方法，并采用密度函数法来获得初始聚类中心。

模糊c均值(FCM)聚类算法已广泛应用于许多医学图像分割中。 但是,由于不考虑空间信息,因此常规的标准FCM算法对噪声敏感。 为了克服上述问题,提出了一种新颖的改进的FCM算法(以后称为FCM-AWA

一篇关于模糊C均值聚类的论文，其中使用了分水岭算法。是彩色图像分割的文章

基于加权模糊c均值聚类与统计检验指导的多阈值图像自动分割算法

模糊C-均值（FCM）算法对图像噪声敏感，聚类过程中只考虑图像的数值特征信息而忽略像素间空间约束关系，同时单一隶属度并不能充分描述图像的不确定性，这使得基于FCM的图像分割不够准确。融入局部信息的改进

将模糊集理论和k-means聚类联系起来，设计了模糊k-means聚类算法，其聚类效果比单纯的k-means要好。

需要自己根据实际情况调试，然后才能运行。

FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊c均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则

基于PSO的快速模糊C均值图像分割算法图像分割方法的又一突破

1 K-Means聚类 K-Means聚类是最常用的聚类算法,最初起源于信号处理,其目标是将数据点划分为K个类簇,找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解,运算速度较快,缺点