1、“.....可表达模糊模式的多类隶属度值并提供损失信息的估计。模糊集合理论主要解决在模式识别的不同层次由于信息不全面不准确含糊矛盾等造成的不确定性问题。基于模糊集合的特点，提出了些新的图像分割算法。这些算法主要可分为模糊阙值分割和模糊聚类分割，其中模糊聚类分割方法中的模糊均值算法是最经典最广泛应用于图像的分割算法。基于模糊聚类图像分割特点这个只依附于个聚类中心，对参数敏感性高，模糊聚类分割算法具有良好的局部收敛性，还有它适合在高维特征空间中进行像素的分类，然而它也有定的局限性，模糊聚类分割图像时，采用随机初始化的的方式进行分类，对于数据集中含有不均等的类的情况下极容易形成误判，正是逐个点的分布信息显示出来的特点......”。

2、“.....导致分割的图像有好有坏，甚至造成图像分割失败。算法利用两层迭代求取目标函数，的极小值。内层用于计算新的聚类中心及更新模糊隶属度矩阵，外层用于判定是否算法已收敛到预定阈值，以标山东中医药大学届毕业论文设计志算法结束。迭代完成后，从产生的模糊隶属度矩阵中，我们可以得到像素对聚类中心的隶属程度。并根据大小来决定像素的归属。但从以上算法我们可以看出算法有以下几个缺点改变算法中的任何个参数都将影响到算法的最终结果。聚类数是影响聚类速度和聚类精度的重要参数，越大，计算所需要的系统内存和时间也要成倍的增加，这在有时候是不能容的。对于加权数的重要性，认为加权指数控制着模糊聚类问的分享程度。越大，所得到的分类矩阵模糊程度就越大。当时......”。

3、“.....距离就失去了意义。所以要使用算法分析数据就必需选取合适的值。在不同的应用领域，值的选取也就有不同的范围。给出过加权指数的个经验范围为,，后又从物理解释上得出当为时最有意义。收敛阈值是影响聚类精度和聚类速度的参数。数值过大时，会导致算法过早收敛，聚类结果不稳定，特别是在初始参数不确定的条件下，这种现象更为普遍和明显。当阈值过小时，则可能会导致过度计算，既浪费时间，又可能发生无法收敛的问题。基于模糊聚类图像分割应用方法首先应该提高聚类的有效性，在原来的基础上加以改进和发展，无参型聚类思想能在定程度上减少聚类算法对参数的敏感性。为了快速分割灰度图像，减少算法的迭代次数......”。

4、“.....大大提高了图像的分割速度。为了快速分割灰度图像，减少算法的迭代次数，提出了种改进的模糊均值聚类算法该算法通过计算原图像和它的局部邻域均值图像的个线性加权和图像靠来减少运算的复杂度，大大提高了图像的分割速度。利用空间距离和欧氏距离来重新确定像素和聚类中心的距离，最后利用新提取的距离特征和改进的聚类算法对图像进行分割。为了选取更接近聚类中心的初始值，增强算法抑制噪声的能力，提高算法的运算速度，本章提出了种基于快速模糊均值聚类的图像分割算法，该算法选取图像的灰度直方图峰值作为初始聚类中心，减少了算法迭代的次数，通过图像邻域像素均值和邻域像素中值来影响中心像素的聚类，提高了抑制噪声的能力......”。

5、“.....减少了每次运算的时间。实验结果表明，该算法比传统的模糊均值算法基于空间约束的模糊均值算法等多山东中医药大学届毕业论文设计种图像分割算法具有更强的抑制噪声的能力，并且分割速度快。基于空间约束的模糊均值聚类算法为了增强对噪声的抑制能力，提高分割效果，近年来，许多研究人员在传统算法的基础上加入局部空间信息来提高图像分割算法的性能。其中，通过修改传统聚类算法的目标函数提出了种基于空间约束的模糊均值聚类算法该算法不仅考虑了像素灰度信息，还考虑了邻域像素对中心像素的影响，大大增强了对噪声的抑制能。第五章主动轮廓水平集处理超声图像基于模糊均值，聚类的图像分割算法在特征提取中未考虑其空间信息，对于分割含噪声的图像不能得到满意的结果......”。

6、“.....很多学者对传统的聚类算法做了改进，其中的基于空间模式聚类的图像分割方法能够有效地抑制噪声，但对特征集的计算比较复杂，而且分割效果受权重因子的影响很大，对图像有定的误判性，造成很大误差。主动轮廓线有时非常接近目标轮廓线，单由于主动轮廓线边缘容易受到干扰产生计算梯度矢量流场时，经过多次迭代运算，为边缘和非目标边缘的梯度矢量流场逐渐波及到目标边缘，造成相互干扰，从而使主动轮廓线无法收敛到目标边缘，所以在主动轮廓线用于超声图像的分割时，就必须在实现好的效果时引进些必要条件，减小去除伪边缘和非目标边缘的干扰。采用模糊均值聚类方法的优点在于各个区域特征的非均匀性可包含在初始图像分割处理中......”。

7、“.....而不会象硬分割那样产生偏倚。对其提出的模糊图像分割系统进行了仿真，结果是非常令人鼓舞的。尤其是对于原输入图像中的噪声并不过分敏感。由于该算法是利用模糊聚类理论进行图像分割的，方法新颖且效果较好，因此很快就受到了国内外学者的关注。等人提出了用局部特征聚类的方法来分割灰度图像，同时也提出了可以将图像的空间信息作为附加特征引入基于聚类图像分权值，并对加权指数与聚类数目的数量给予确定值，同时加入抑制因子，并结合塔形分解，从而实现图像有效分割。聚类技术还被成功地应用于深度图像的分割。和设计了个深度图像分割系统，它在个六维特征空间中采用均方误差型的聚类方法。胡广等人将二维直方图引入传统的模糊聚类算法，依据平方误差和最小准则......”。

8、“.....并对隶属函数做了改进。林开颜，徐立鸿等提出了种快速模糊聚类方法，利用分层减法聚类把图像数据分成定数量的色彩相近的子集，大幅提高模糊均值算法的计算速度，进而可山东中医药大学届毕业论文设计以利用聚类有效性分析指标快速确定聚类数目。目前，聚类算法在图像分割方面的研究主要分为两个方面，是对算法本身进行研究以提高图像分割的效果。上述方法均属于这类。二是在图像的特征提取方面进行研究。这方面研究的背景来源于对降质图像的分割，这些降质图像是在不可控的情况下得到的些模糊不清的图像，如受噪声干扰的图像目标和背景相互交迭的图边界不明确的图像等。这就给分割带来很大的困难。基于上述考虑，人们希望通过增加图像分割时的聚类速度，运用像素空间特征......”。

9、“.....对噪声图像进行正确的分类。等人提出的可能性聚类方法，它通常以作模糊初始划分，然后再对隶属度作更精确的计算算法有定的局限性它带有个必须被使用者预先确定的参数，这个参数与最后的聚类结果密切相关因此使聚类结果带有很大的不确定性。等人提出了种新的基于改进的图像分割算法，运用权重思想确定像素点隶属度的重要度。该方法将空间的信息融入到标准的算法中，通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值，该概率在算法执行过程中根据模糊隶属度值自动地予以确定。由于图像噪声点的隶属度大大的降低，因此聚类分割时抑制了噪声的影响，图像能成功的分割。等人用非线性函数对图像像素进行空间变换，在新的特征空间按照算法对图像各点进行聚类......”。