一种具备迁移学习能力的模糊聚类图像分割方法技术

本发明专利技术公开了一种具备迁移学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为研究对象，针对模糊C均值算法在面对带噪声的图像时抗噪声能力弱的缺陷，提出了一种具备迁移学习能力的模糊聚类图像分割方法。此图像分割方法在处理新的图像时，特别针对含噪声污染的图像，该方法能够有效地学习利用以往大量的相似图像通过模糊C均值算法所总结得到的可靠的聚类知识，该类知识一般被描述为聚类中心，通过将上述可靠知识引入到当前的新图像分割任务中可以有效地引导当前的聚类任务的完成并起到抗噪的效果，进而获取更为精准的聚类中心及更为精确的图像分割结果。

【技术实现步骤摘要】

本专利技术属于图像处理及应用领域，具体是。
技术介绍
迁移学习理论自1995年被提及以来，在机器学习领域生产了巨大的影响。该方法颠覆了传统的机器学习方法，使得机器学习更为智能化(Pan J. L. , YangQ. , A Survey onTransfer Learning. IEEE Transactions on Knowledge and DataEngineering,10,2010 1345-1359)。其具体的表现在于,利用该理论在建立模型时会考虑以往已有的相似模型,将以往的模型作为参照体，而后再结合当前的环境进行建模，这样的新型建模方法将大大提高前期的建模效率，并且有效地合理地利用历史储备也有助于模型初期的稳定性，比起传统的不考虑历史相似场景只考虑当前场景，全部从“零”开始的建模方法而言，该种策略来的更加快速有效。并且该种建模方法与人类的认知过程也是一致的，正如我们所知人在认·知A’事物时，往往会借助A事物来进行迁移学习(注A’与A存在某种相似性)，具体的例子有当人在认知“梨”这个概念时，一般会借用以往对“苹果”的认识来进行迁移再学习，这大大提高了认知的速度以及准确本文档来自技高网...

【技术保护点】
迁移学习能力的模糊聚类图像分割方法，其特征是，包含如下步骤：步骤一：利用历史储备图像通过经典FCM算法得到历史聚类中心JFCM(U^,V^)=Σi=1CΣj=1Nμijm||xj-vi||2---(1)st.μij∈[0，1]and1≤j≤N其中C为聚类数，N为样本总数，为第i类的中心点，μij表示第j个样本属于i类的隶属度，其中模糊指数m必须满足m＞1，xj表示第j个样本点.为了得到最优的历史聚类中心以及历史隶属度利用拉格朗日条件极值的优化理论可以得到如下的迭代表达式：vi=Σj=1NμijmxjΣj=1Nμijm---(2)...

【技术特征摘要】

【专利技术属性】
技术研发人员：邓赵红，王士同，蒋亦樟，钱鹏江，王骏，
申请(专利权)人：江南大学，
类型：发明
国别省市：