模糊聚类分析技术是智能信息处理中的一个重要研究方向,是用模糊数学方法研究聚类问题,也是一种无监督的模糊模式识别方法,在许多领域有着较为广泛的应用。模糊C—均值聚类是模糊聚类分析技术中的主要方法之一,本文对模糊C—均值聚类方法进行了较为深入的研究,并将其应用于图像和自造样本集的聚类。论文主要完成了以下工作: 1、在介绍了传统的模糊聚类方法的基础上,详述了硬C—均值聚类算法和模糊C—均值聚类算法的基本思想和算法步骤,给出了改进约束条件的模糊C—均值聚类算法。 2、对模糊c—均值聚类算法中的参数进行了较为详细的研究,讨论了算法中的聚类中心初始化问题,模糊加权指数m的确定,距离范数的选取和目标函数的收敛性问题;提出了两种确定聚类类别数C的方法,并将算法运用于图像和自造样本集的聚类。 3、将模糊C—均值聚类算法应用于图像的二值化,将其结果与五种图像的二值化方法:最大方差法、最大交叉熵法、最小交叉熵法、最大模糊散度法、最小模糊散度法的结果进行了比较。 4、在基于g_λ模糊测度模糊聚类方法的基础上,提出了基于g_λ模糊测度的加权模糊聚类方法,并给出了基于统计特性的权值计算方法。分别利用图像的一维灰度特征与一维灰度直方图加权、二维灰度特征与二维灰度直方图加权两种加权模糊聚类方法应用于图像分割,并将加权前后的分割结果进行了比较。 5、针对灰度图像,将模糊C—均值聚类算法的聚类结果与基于自组织特征映射神经网络的结果进行了比较。