模糊特征范文（精选5篇）
模糊特征 第1篇
关键词：语义模糊,特征,语义精确,多义,歧义
一、引言
词的意义是对客观事物的概括, 却又不能同客观所指划等号。万事万物是丰富多彩、五花八门的, 而语言的单位却是极其有限的, 所以人们必须以最少的语言单位传达最多的信息量, 用同一个词去表达各种不同的感受, 这就必然导致产生语言的模糊性。
二、语义模糊的特征
1. 语义模糊的不确定性。
不确定性是针对确定性而言的。所谓确定性是指事物稳定的特征, 所谓不确定性是指事物不稳定的特征。模糊语义的不确定性既包括内涵的不确定性, 又包括外延的不确定性。内涵不确定性是指没有绝对的、统一的标准可以用来确定词语所指的对象范围。例如, 日常用语中的颜色词“红”, 其内涵就具有不确定性, 《现代汉语词典》 (修订版) (P520) 对它没有下完整的定义, 只是说:“像鲜血或石榴花的颜色。”严格地说这不是“红”的内涵, 而是识别“红”的参照标准, 这本身就具有不确定性。外延不确定性是指词语的所指对象范围没有明确的边界, 在实际应用中, 对有些对象是否属于模糊词语所指的范围人们把握不准。例如, “青年”是个模糊词, 其外延具有不确定性。这表现在, 对于有些对象是否属于“青年”的范围把握不准, 1825岁的人都可以算作“青年”, 但对于3536或37的人是否属于“青年”就拿不准, “青年”和“中年”之间很难划清界线。外延和内涵具有密切的联系, 内涵为外延的确定提供了一个标准、尺度。如果一个概念的内涵所提供的标准、尺度本身具有不确定性, 那么这个概念的所指对象 (也即外延) 就具有不确定性。反之, 外延的不确定性, 可以反证内涵的不确定性。
2. 语义模糊的相对性。
语义模糊的相对性是指语义模糊的地方不是绝对的模糊, 它本身不具有独立性, 总是依赖于语义的清晰性、确定性而存在。语义模糊的相对性也指语义不确定的地方和明晰的地方相对而言, 并非语义模糊一团、杂乱无章。语义模糊的相对性还指一个语言单位的语义的模糊性的大小是和与它在语义上相关的语言单位的语义的精确性、模糊性相比较而言的。例如, “珠穆朗玛峰高8848米”和“珠穆朗玛峰高8800多米”相比, 前者是精确的, 后者是模糊的, 但后者若与“珠穆朗玛峰高8000多米”或“珠穆朗玛峰很高很高”等相比, 其语义又精确得多。
3. 语义模糊的交际性和实用性。
不少人认为语言越精确越好, 这其实是一个极大的误解。人们各种语言交际既需要精确词语 (如科学实验数据) , 又需要模糊词语。即使在很多正式协议中也是如此, 两种类型的词语都有。何自然 (1990) 指出, 应该精确时含糊不得, 应该含糊时就得含糊。
模糊词语往往为各层人士所乐于使用。模棱两可的词句既能作这样的解释, 又能作另外一种相反的说明, 因而语义具有较大的灵活性、开放性, 它既不会留人以把柄, 又给自己留下后路。模糊词语本身就具有很好的交际性, 在须用模糊词语的地方若用了精确词语, 反而显得不伦不类, 令人发笑。“含糊在语用上有其积极意义” (何自然, 1990) 。模糊化的词语具有很高的语用价值, 在很多场合需要它们。我们在思维时离不开模糊性, 在表达时离不开模糊词语, 生活中的模糊现象无处不在。正是由于语言具有模糊性, 才使得语言具有弹性、生气, 灵活多变, 从而有助于我们提高交际效率。
弄清了语义模糊性的本质及其形成的原因和语义模糊的特征, 我们对模糊性的概念就有了比较深刻的认识。但在具体实践中, 我们要想准确地把握模糊语义的真正内涵, 仍有必要探讨语义模糊与其他语义学概念的关系。
三、语义模糊与语义精确、多义、歧义的关系
1. 语义模糊与语义精确的关系。
上文已经说过, 语义模糊是客观事物或现象在人们意识中模糊的反映, 客观世界有许多的事物, 我们可以通过感觉器官直接观察或采取各种手段、方式或方法, 对它们进行测量、计算、推理、验证, 从而全面、深刻、准确地认识它们的特点和性质, 能准确地反映这些客观事物的特点、性质的词语, 它们的语义就是精确义。辩证唯物主义认为, 客观世界是由无数相互联系、相互制约、相互作用的事物形成的矛盾统一体, 语言中的精确性与模糊性也是如此, 作为矛盾对立的双方, 既互相矛盾, 又互相依存。从存在的条件看, 事物总是相对而言的, 没有语义精确就没有语义模糊, 同样的, 没有语义模糊也就没有语义精确。一方面, 人们在现实的交际过程中, 需要借助精确义来准确无误地表情达意。另一方面, 在很多场合, 人们只需模糊义就能满足交际需求。总之, 语义精确与语义模糊之间的对立统一和彼此的相互转化, 保证了人们顺畅地用语言进行交流。
2. 语义模糊与多义、歧义的区别。
模糊语义同多义是两个性质不同的问题。多义性不是造成语言存在模糊性的原因, 也不是模糊性的表现, 它们各自有不同的产生原因和表现方式。具体来说, 有如下两点:首先, 概念意义不同。多义是指一个语言单位在不同语言环境中, 具有几个性质不同的意义, 也就是一个语言单位具有多个不同的义项, 每个义项概括的范围都是确定的。而语义模糊则不同。语义模糊是客观事物或现象在人们头脑中的模糊反映, 其中的界限是不清楚的。其次, 它们产生的原因不同。多义产生的原因主要是为了减少符号的数量, 减轻人们的记忆负担, 这符合语言的经济原则, 其每个义项概括的范围都是确定的。而语义模糊, 是由于人们在概括中舍弃了对象中的一些个别属性, 保留它们的某些共同的一般的属性, 概括的范围越广, 程度越高, 所形成的语义就越具有模糊性。
语义模糊与歧义也不相同。歧义属于言语范畴, 它是指人们在运用语言进行交际时的话语所传达的信息, 既可以这样理解, 又可以那样理解, 由于这种情况的出现, 降低了言语的准确度, 造成了交际的误会, 因而是说话人必须避免的。语言单位的多义性的存在, 是语言表达手段丰富的标志, 一般来说, 并不会造成交际上的混乱。在说话的时候, 这种多义性由于受上下文或情境的制约, 它们就只有一个意义。但是, 如果说话人没有在上下文或情境中给予足够的信息量来将多义现象加以限制, 则会出现歧义。例如“黄色”一词, 可以有两种含义:一是颜色是黄色的;二是象征腐化堕落, 特指色情。在“那本书是黄色的”一句中, 若没有上下文或情境没有提供足够的信息量, 则可以有两种理解:一是那本书的颜色是黄色的;二是那本书的内容是有关色情、不健康的。而模糊语义则不会产生歧义。
四、结语
语义模糊, 是指语义所表现出来的一种语义不确定、界限不分明、亦此亦彼的性质, 它的形成有其客观原因、主观原因及语言自身的原因。它具有不确定性、相对性、交际性和实用性等特征, 和语义精确、多义、歧义是既相联系又是相区别的不同概念。研究语义模糊对于有效交际和语言学的发展具有重要的意义, 其研究具有广阔的前景。
参考文献
[1]符达维.糊语义问题辩述[J].中国语文, 1990, (2) .
[2]何自然.语用学概要[M].上海:上海外语教育出版社, 1989.
[3]蒋有经.汉语词汇论[M].山东大学出版社, 1997, 9.
[4]石安石.模糊语义及其模糊度[J].中国语文, 1988, (1) .
[5]王寅.语义理论与语言教学[M].上海:上海外语教育出版社, 2001.
辐射模糊图像的特征点稳定性分析 第2篇
图像特征越来越多地应用于图像匹配、模式识别及视觉跟踪等领域。与传统的波门跟踪的目标跟踪方法不同,随着图像局部特征研究的不断深入,基于特征提取、匹配的目标跟踪方法逐渐成为热点。基于目标特征的跟踪关键在于特征的提取与匹配,此时特征的稳定性显得尤为重要。稳定的特征将有效提高跟踪的精度和稳定性,也将使得算法的时间复杂度保持最优。在整个目标跟踪过程当中,因为成像条件不断地发生变换,需要特征提取算法具有良好的鲁棒性,否则将很难实现特征的稳定跟踪,且整个跟踪特征集的动态更新频率增加,使得整个算法的复杂度和稳定性变差。
图像局部特征点的发展,从Harris、Forstner,到SIFT、SURF已经有十几种之多。不同的特征点,对应于图像中不同的局部灰度结构。通常情况下,图像中提取的特征点会达到数百甚至上千个,然而,对于具体的应用,如匹配或者跟踪,这样数量级的特征点都存在严重冗余,那么如何从繁多的特征点中选择出最优的特征子集以满足具体应用需求是难点问题。在不同的应用需求中,特征点的定位精度,分布性[1]和稳定性具有不同的重要程度。在图像跟踪的应用中,相比特征点的定位精度,其稳定性是更加重要的属性。不稳定的特征会导致特征集更新过于频繁,从而很容易导致跟踪失败。影响特征点稳定性的因素繁多,这使得对于特征点稳定性的分析变得异常复杂。文献[2]中将特征点周围的邻域的27个点按照一定规则组成一个向量,然后求极值点处的曲率,该曲率值作为对特征点稳定性的一个定性的描述。文献[3]中在特征点处获取了特征点相关的,包括位置、Harris属性、Hessian属性、灰度以及梯度值的17个属性,运用GLM模型进行稳定性预测。首先通过离线训练获得模型参数,进而对于新获取的特征点采用该模型进行稳定性预测。Hessian矩阵是用来度量特征点稳定性的常用方法,在文献[4-5]中分别用此对SIFT特征点和Harirs角点进行了特征稳定性度量。然而传统的基于Hessian矩阵不确定性度量,主要针对了图像噪声引发的不确定性问题。对于运动模糊的情况下[6,7],图像中特征点的稳定性问题,目前尚未有文章予以相关的实验和分析。鉴于Harris角点具有应用最为广泛,几何特性明显,计算时间复杂度低,稳定性好等优点,在本文中选取该特征来研究特征点在运动辐射模糊条件下的稳定性问题。
运动模糊问题,在载体与场景之间存在相对运动的场合是普遍的造成图像模糊的主要原因之一[8,9,10]。其主要形式体现为沿着光轴运动的径向运动模糊和垂直于光轴运动的平动运动模糊。在载体逼近目标的跟踪过程中,径向运动模糊较之平动运动影响更为普遍。尤其对于长积分型(毫秒级)的中波红外来说,其模糊影响更为显著。针对相向运动跟踪中存在径向模糊情况下的特征点稳定性问题,目前鲜有研究。本文对于载体逼近目标的运动造成的径向运动模糊情况下,角点特征的稳定性问题进行了实验研究分析,并提出了一种特征点筛选规则。实验结果证明基于该规则的特征筛选能够有效剔除不稳定特征点,提高跟踪特征集的重复率,从而有利于提高跟踪算法的稳定性和改善算法复杂度。
1 载体运动对光电成像的影响分析
载体的运动对成像有着重要的影响,尤其在载体以超音速运动时则更为显著。总体上,运动对光电系统的成像影响分为以下几种情况:径向运动,俯仰/偏航运动,滚转运动,平移运动等[6,7,8,9]。运动造成的模糊是因为,像素点在不同的曝光时间T内对应的景物,即它对应了曝光时间T内扫描路径上的辐射的总和。不同的运动导致扫描路径的不同,进而导致模糊量的不同。载体运动情况下对于成像的影响可以从“运动参数到扫描路径到模糊量”的过程给予阐述,下面对于径向运动造成的模糊过程给出详细的物理建模分析。
在图像的获取过程当中,当摄像机与场景之间存在快速的相向运动时,图像像素点就不再对应于一个场景点(局部区域)的辐射总量,而是对应其曝光过程中因为运动而导致的扫描路径上的辐射总量的叠加。在相向运动的情况下,表现为图像的辐射状退化。
图1中,摄像机在积分时间T内沿光轴平移了vT距离。则实际采集的模糊退化图像与原图像之间的关系为
在图1中:OC为光心,f为焦距,L为上一帧的物距,l为上一帧与当前帧的时间间隔内光心移动的距离。其中,l距离也对应于在一次曝光时间T内光心的移动距离。在这段距离内,像素的曝光时间内接受到的辐射为dh距离上的景物辐射的总和。高h1处的景物,在上一帧对应的像素为p1,在当前帧对应的像素为p2。那么p1处的成像应该和p2处的成像结果相同。然而因为p1在上一帧的曝光时间内接受的辐射量,和p2像素在当前帧接受的辐射量并不完全一致。假设载体做匀速直线运动,其速度为v,也就是说光心在曝光时间T内的移动距离l=v T。像素p1对应的场景扫描距离为dh=h2-h3,像素p2对应的场景扫描距离为dh=h0-h2。也就是说,在前一帧图像中,p1点的灰度是由h1到h2之间的景物决定的。在当前帧中,p2点的灰度是由h0到h2之间的景物决定的。
因为在上一帧和当前帧,景物点h2分别对应像素p1和p2。如果不考虑扫描模糊因素,那么对应于同一点的p1和p2应该具有同样的灰度,但因为曝光时间内运动载体存在位移,像素的曝光是场景辐射积分的结果。那么对于同样的曝光时间,因为积分路径的不同而导致积分结果(图像灰度量化)的不同。那么I1(p1)和I2(p2)的不同将由积分路径的不同,即由决定。
设像素p1的光轴偏向角为θ1,像素p2的光轴偏向角为2,那么通过参数推导可以得出:
因为相邻帧间的距离l远远小于物距L,且所以上式化简为:于是,我们将ζ=vTL作为表征运动造成的图像模糊的物理量[6]。
由lh0h1的表达式即可将径向运动造成的模糊总结为:模糊程度与像素的径向距离成正比,径向距离(离CCD中心距离)越大,模糊越严重;模糊程度与积分时间内的移动距离(即载体运动速度)成正比,运动速度越快则造成的模糊越严重;模糊程度与成像的物距成反比,物距越大差异将越小,也就是说如果物距足够远,那么相邻帧间存在的运动模糊也将足够小。
2 Harris角点特征及其稳定性分析
2.1 Harris角点特征提取算法
角点特征依据图像在水平方向和垂直方向的梯度变化量来进行表征。目前,运用最为广泛的两种角点特征为:Harris角点和Kanade-Lucas-Tomasi(KLT)角点,Harris角点采用的角点度量算子为
其中:Ix和Iy分别为图像在X方向和在Y方向的一阶梯度。假设1l和2l为C的两个特征值,且有λ1>λ2。因为C是对称半正定的矩阵,故而λ1和λ2均为非负数。矩阵C提取了特征点邻域的结构信息,于是可以从矩阵C中获取到特征点邻域的相关几何信息:λ1=λ2=0对应于灰度平滑一致的区域;λ1≥λ2=0对应于图像中的边缘,且λ1对应的特征向量方向即垂直于图像边缘;即对应于角点,说明图像在特征点处两个方向上都具有明显的梯度变化。矩阵C的特征值表征了方向梯度大小,特征向量表征了梯度变化方向。故而,当且仅当矩阵C的较小特征值λ2大于一定阈值的时候,该点即被标识为角点特征点。
2.2 Harris特征点不确定度表征
特征点是在图像中一个点的邻域灰度分布符合一定假设的点。然而对于快速运动的载体跟踪过程中的动态图像序列说来,影响特征点稳定性的因素有很多。在诸多因素的干扰下,特征点在两幅图像中能否被重复检出将是特征点是否稳定的一个重要指标。在图2中,第一幅图像为未模糊的原图,第二幅图像是用模糊因子0.01进行模糊后的图像上提取的角点的结果。可以明显地看出,有些点表现出良好的抗干扰能力,而有些点则重复性较差。故而提出一种指标来剔除那些稳定性较差的点将是特征筛选的关键。
在文献[5,11]中均运用矩阵C的逆来表征特征点的不确定度。文献[11]采用Σ0=C-1来表征不确定度。在文献[5]中,作者运用矩阵C-1进行加权优化求解,从而改进三维重建模型求解。在本文中直接采用矩阵C来表征不确定度,它与[5,11]中的表征方法只是取逆的倒数关系。
2.3 特征集重复率定义
假设点集分别为位于图像I1和Ii的存在重叠的图像区域内的特征点集,其点集之间的映射关系可以表示为
其中Hij为图像Ii和Ij之间的单应变换矩阵。
因为两幅图像中的特征点不可能完全重叠,特征点提取存在误差,图像之间的单应阵求解也存在一定误差,所以判断两个特征点是否匹配就需要考虑误差容许量。所以重复率通常定义为ri(),其中为匹配的两个点之间的容许误差最大值。在容差为时,匹配点数的集合为
重复率ri(ε)即定义为[12]:其中1n、ni分别为图像I1和Ii中的特征点的数目。
3 径向运动模糊下特征点稳定性分析
为了分析径向运动模糊下的特征点稳定性,我们采用了如下所示的五角星图像。在图像中,内外等距间隔上有六层角点特征,每层有五个特征点,即在无模糊的原图上共有65=30个角点特征(如图3左上图所示)。因为径向模糊与特征点的径向距离直接相关,故而采用该图像进行实验主要验证径向距离对特征点稳定性的影响。
在未模糊图像中,内外总共30个角点特征,其不确定度椭圆大小近似。该实验主要为了验证当初始特征点的不确定度椭圆基本一致时,随着图像辐射模糊程度的变化,特征点不确定度的变化规律。上面的图示中,前五幅图像对应的是不同的模糊因子下特征点的重复率示意图。图像对应的模糊因子分别为:(a)为0.01,(b)为0.05,(c)为0.1,(d)为0.15,(e)为0.2。其中红色的椭圆标记是模糊前后的图像中可重复的特征点,绿色标记是不可重复的特征点。(f)为当模糊因子为0.2时,图像中所提取的所有的特征点及其不确定度椭圆的示意图。可以看出,当模糊因子为0.2时,图像中的特征点已经变得非常不稳定,且特征点的不确定度椭圆变得非常小。
从实验结果可以看出,随着模糊的强度增大,特征点从外向里逐渐不可重复。因为数值仿真计算存在一定的误差,等距特征子集的表现并不完全一致,然而整体上依然可以明确地看出整个特征集的变化规律。从图(e)中可以看出,当模糊因子最大为0.2的时候,只剩一个可重复的特征点。图(f)表明,当图像径向模糊较严重时,较之原图(图(a)),所有特征点的不确定度椭圆均已变得很小。且由模糊渐变的实验过程可以看出,在模糊量逐渐增大的情况下,特征点的不确定度椭圆则逐渐减小。
可以发现随着模糊的增强,特征点的不确定性变得更差。那么显然,不确定度椭圆的大小将能够被用来作为特征稳定的一个度量,椭圆越小的点其稳定性就会越差。然而单纯的依赖椭圆的大小并不能完全用来描述特征稳定性问题,特征点的稳定性还与其所处的径向距离有关。从试验中可以总结出与特征点不确定度之间相关的两个参数:特征点距离图像中心的径向距离、不确定度椭圆的大小,下面分别用rp和δp来表示,下标p指代的是某一个特征点。这三个参数对于不确定度的影响可以直接表述为:距离图像中心越远,即径向距离越大的点,其模糊程度越大,稳定性越差;特征的不确定度椭圆越大证明其稳定性越好,否则则越差,δp表示不确定度椭圆的面积。
于是,在相向运动情况下的特征点稳定性度量公式可以表征为
特征稳定性是个相对的概念。本文研究的目的是从图像中所提取的特征集中筛选出相对稳定的特征子集予以跟踪。所以只需要根据上面的不确定度度量公式,对特征点的稳定性进行排序,从中取出重复率最好的特征子集即可。在上面的特征点稳定性度量公式中,α为径向距离加权系数,(1-α)为不确定度椭圆面积加权系数。对于上式中加权系数的选择,采用图3中的仿真图像,通过实验分析了加权系数的选取与特征集重复率之间的关系。对于上面度量公式中选取的两个主要参数径向距离和不确定度椭圆大小,对其分别进行归一化,然后代入计算。
实验结果如图4所示。其中,横坐标表示径向距离加权因子,曲线上指示的数字表示筛选出的特征点数目,纵坐标表示在一定模糊因子下筛选一定数目特征后的特征重复率。在未模糊的原图中提取的特征点总数为60个。可以看出,总体来讲,筛选出的特征点越少,特征重复率越高;当筛选出50个特征点时,重复率已降至65%以下,当不做筛选时,即60个特征点的重复率如图中直线所示,其重复率仅为56%。可以看出,筛选出不同数目的特征点时,加权因子的表现效果并不相同。在筛选出10个特征点时,最高重复率发生在加权因子为0.8时;当筛选出30个特征点时,最高重复率发生在0.5处。试验中可以看出,加权因子选择0.5时,在筛选出10~30个特征点时均具有良好的稳定性,故而下面的实验中选取0.5作为稳定性度量公式中的加权因子。
4 实验结果及分析
下面分别选取两副图像以验证上述特征筛选规则的有效性。实验一选取一副飞机的灰度图像,实验二选取一幅地面军事掩体的图像。
试验一:选用飞机的灰度图像作为测试图像。图5中的三幅图像:图5(a)为原图,图5(b)和图5(c)分别对应模糊因子为0.1和0.2时的径向运动模糊仿真图。实验从原始未模糊图像中提取的特征点分别与模糊后的图像中提取的特征点进行匹配,从而分析哪些特征点在模糊的情况下具有良好的鲁棒性。依据在第二部分中建立的径向运动模糊模型,选取模糊因子ζ从0.01到0.2的间隔内,以0.01为间隔取值,即共取二十种不同的模糊因子。在20种不同的模糊因子作用下,统计了在整个模糊因子变化的过程中特征点集重复率的变化关系。
从20种模糊图像实验中统计出的重复性最差(重复次数最少)的10个特征点及其不确定度椭圆(图6(a))重复性最好(试验中重复次数的特征点)的20个特征点(图6(b))。在模糊因子为0.2的情况下,可重复特征点在未模糊图像中的标示(图6(c))。
试验二:地面军事掩体图像。图7中,图(a)为原图中提取出的特征点,图(b)对应的是模糊因子为0.01的模糊图像及提取特征,图(c)为模糊因子为0.2时的模糊图像及提取特征。图(a)中,红色标记的特征点为图(a)和图(b)间模糊图进行匹配后的可重复的特征点,绿色标记的特征点为不可重复的特征点。
图8分别对应实验一和实验二,在运用本文所提出的特征点筛选方法进行筛选后的特征集重复率改进效果曲线。在图中,虚线表示了不经过筛选的特征集的重复率,实线表示了经过上述规则筛选后的特征集重复率。可以看出,经过本文所提出的特征点筛选规则,对于存在相向运动模糊的图像,其特征集的重复率有着显著提高,在模糊因子较大时,依然能够筛选出有50%重复率的特征子集。
5 总结
在载体与场景之间存在快速逼近的运动过程中,径向运动模糊是影响成像及跟踪质量的重要因素。对于这种环境中特征点的跟踪,特征筛选变得尤为重要。本文系统地分类分析了运动模糊的物理模型,在较为复杂的相向运动模糊下对特征点的稳定性进行了实验分析,并且给出了在该类模糊下特征点的筛选规则。实验证明,本文提出的特征点筛选规则,能够在提高特征集重复率的情况下,剔除掉那些不稳定的点,从而为特征跟踪在末制导中的应用提供了良好的理论基础。然而特征的稳定性是个系统的问题,在实际的跟踪过程中其干扰因素非常复杂,从场景变换、大气传输、光学系统、光电传感,再到最后的信号处理都有可能引入误差,在后续研究中需要分析其它的干扰因素对特征点的稳定性的影响,以期最终能够实现全局最优特征子集的筛选。
摘要：相对运动和干扰条件下图像特征点的稳定性是光电信息领域的一个突出问题。本文研究了在摄像机与场景之间做高速相向运动情况下的特征稳定性问题。本文详细分析了相向运动造成模糊的机理,然后通过实验分析了该运动模糊下的特征点稳定性变化规律,并提出了Harris角点特征在相向运动模糊下的筛选方法。径向辐射模糊下,径向距离对于特征点稳定性有重要影响,本文在传统的基于协方差矩阵的Harris角点不确定度表征的基础上,引入了径向距离加权表征。实验结果证明,在相向运动情况下,本文所提出的筛选方法能够剔除大部分的不稳定特征,从而显著提高了整个有效特征集的重复率。
关键词：相向运动,辐射模糊,Harris角点,特征重复率
参考文献
[1]孙彬,严卫东,张彤,等.良分布的多特征遥感图像自动配准算法[J].光电工程,2012,39(8):38-45.SUN Bin,YAN Weidong,ZHANG Tong,et al.Remote Sensing Image Automated Registration Algorithm Based on Multi-feature and Well-distribution[J].Opto-Electronic Engineering,2012,39(8):38-45.
[2]Abdel-Hakim A E,Farag A A.A novel stability quantification of detected interest points in scale-space[C]//19th International Conference on Pattern Recognition,Florida,USA,Dec8-11,2008:1-4.
[3]Comer H Thomson,Draper Bruce A.Interest Point Stability Prediction[J].Computer Vision Systems,Lecture Notes in Computer Science(S0302-9743),2009,5815:315-324.
[4]Zeisl B,Georgel P,Schweiger F,et al.Estimation of location uncertainty for scale invariant feature points[C]//Proceedings of the British Machine Vision Conference,London,UK,Sept7-10,2009.
[5]Ke Qifa,Kanade T.Quasiconvex optimization for robust geometric reconstruction[J].IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828),2007,29(10):1834-1847.
[6]黄飞,金伟其,曹峰梅,等.相向运动条件下图像的辐射状退化及其复原研究[J].电子学报,2005,33(9):1710-1713.HUANG Fei,JIN Weiqi,CAO Fengmei,et al.Simulation and Restoration Study on Radiant Degradation Image Under Lengthwise Relative Motion[J].Acta Electronica Sinica,2005,33(9):1710-1713.
[7]曹峰梅,张欢欢,张颖颖.辐射状图像模糊程度与复原效果的质量评价方法[J].光学学报,2009,29(增):139-143.CAO Fengmei,ZHANG Huanhuan,ZHANG Yingying.Quality Evaluation Method of Radiant Blurred Images'Fuzzy Degree and Restoration Effect[J].Acta Optica Sinica,2009,29(s):139-143.
[8]朱华征,范大鹏,马东玺,等.载体运动对光电成像系统性能的影响分析[J].红外技术,2008,30(10):586-590.ZHU Huazheng,FAN Dapeng,MA Dongxi,et al.The Effect of the Carrier Movement on the Photoelectric Imaging System Performance[J].Infrared Technology,2008,30(10):586-590.
[9]张秉仁,陈里铭,高游.运动模糊图像的降质过程分析与恢复技术研究[J].中国图象图形学报,2004,9(7):815-819.ZHANG Bingren,CHEN Liming,GAO You.Analyse of Debasing Process and Restoring Technique for Motion-blurred Image[J].Journal of Image and Graphics,2004,9(7):815-819.
[10]陈喜春,曹峰梅,金伟其.基于极坐标的相向运动图像模糊的递归模型[J].光子学报,2007,36(3):552-556.CHEN Xichun,CAO Fengmei,JIN Weiqi.Recursive Model of Forward Motion Blurred Image Based on Polar Coordinates[J].Acta Photonica Sinica,2007,36(3):552-556.
[11]Kanazawa Y,Kanatani K.Do we really have to consider covariance matrices for image features?[C]//Eighth IEEE International Conference on Computer Vision,Vancouver,Canada,July7-14,2001.
模糊特征 第3篇
关键词：直觉模糊集,医学图像融合,灰度特征,平均梯度
文中在直接模糊理论的基础上, 介绍了直觉模糊推理的提出和概念, 以及在医学图像融合中的应用。并给出了具体的图像融合推理步骤, 分析了直觉模糊推理的优势与不足, 同时在此基础上, 提出了一种改进的直觉模糊推图像融合方法, 将图像的特征参数作为融合参数进行推理, 并介绍了特征参数的提取方法, 且给出了实验与对比, 证明了该方法的有效性。
1 直觉模糊的概念
直觉模糊是从模糊集理论发展而来, 初是目前应用最为广泛的是Zadeh的模糊集理论, 直觉模糊集 (Intuitionistic Fuzzy Sets, IFS) 概念最早由保加利亚学者Atanasov提出的, 该理论是对Zadeh模糊集理论的扩展和补充[1]。定义:设Q是一个给定论域, 则Q上的一个直觉模糊集A为:A={<q, μA (q) , vA (p) >q∈Q}, 其中0≤μA (q) ≤1, 分别是直觉模糊集A的隶属度函数μA (q) 和非隶属度函数vA (q) , 同时满足对于A上的所有q∈Q, 0≤μA (q) +vA (q) ≤1成立。令πA (q) =1-μA (q) -vA (q) 为直觉模糊集A的直觉指数, 用以衡量q对集合A的犹豫程度。由以上定义可知0≤πA (q) [2,3]。
2 引入图像特征的直觉模糊图像融
2.1 未引入图像特征的医学图像融合算法
医学图像融合属于信息融合的一部分, 将多元图像经配准和关联, 按照一定的准则, 在不同层次上进行合成的过程, 称为信息融合。其中医学图像融合则是近些年的研究热点[1]。
在使用直觉模糊推理进行融合的过程中, 非隶属度的加入可帮助更加准确的判定, 例如采用正态隶属度函数, 将隶属度级别划分为3级, 分别是‘Dark’, ‘Normal’, ‘Bright’, 对两幅源图像进行直觉模糊化, 得出每个像素点在3个隶属级别上的隶属度与非隶属度[3,4]。如图1所示, 假设a、b两点在‘Normal’隶属度级别上的隶属度不等, 则融合时取隶属度最大的一个像素点为融合结果;若a、b两点的隶属度均为0.8, 此时则比较两点的非隶属度大小, 可看出, a点处的非隶属度属于‘Dark’级别, 而b点处的非隶属度属于‘Bright’级别, 这便能够判断出b点相比a点的优先级高, 从而得出融合结果[3,4,5]。
2.2 引入图像特征的医学图像融合算法
直觉模糊推理方法对模糊方法进行了补充和改进, 通过实验也可验证该方法在各项指标中均有一定的提升。若当输入的两幅图像同一点的隶属度和非隶属度均相同的时, 应如何处理。针对此问题, 文中提出了引入图像特征的基于直觉模糊推理医学图像融合方法。
图3描述了从模糊发展到直觉模糊推理, 再至新的引入图像特征的直觉模糊推理方法之间的关系[2,3,4,5,6]。图2中清晰地显示出模糊推理、直觉模糊推理以及引入图像特征的融合算法之间的联系与差别。可看出此3种方法之间是层层递进, 后一种方法在前一种方法的基础上, 进行改进和创新, 目的是为了使融合效果更佳, 且融合图像质量更高。
在本次研究中, 采用了灰度特征和平均梯度两种图像特征参数, 引入到直觉模糊推理融合算法中, 以下介绍这两种特征的提取和引入方法。
(1) 灰度特征的提取和引入。对于灰度特征的分析, 从灰度直方图中可知, 灰度直方图的实质是灰度的函数, 其表征是图像中在某一灰度级的像素个数或像素出现频率。将不同灰度值范围的图像像素点个数进行提取, 作为考核该灰度区间的特征值。不同的隶属度区间划分相对不同的灰度区间划分方法, 设隶属度区间个数为n, 灰度区间个数为m, 其之间的关系为
例如当隶属度区间划分为3个时, 其灰度特征区间的划分方式便如图3所示。
(2) 平均梯度特征的提取和引入。另一种方法为平均梯度特征的提取和引入, 提取的方法分几个步骤, 首先是窗口化处理, 以图像中每个点为中心进行3×3的窗口提取, 以每个窗口为单位, 按式 (2) 求出平均梯度值, 并以此作为平均梯度特征引入融合算法。当采用直觉模糊推理算法, 隶属度和非隶属度均相同无法做出判断时, 则引入平均梯度特征值, 再作判断。
3 仿真实验及分析
3.1 算法结果分析
文中实验采用1组CT与MRI医学图像, 待融合图像如下图所示。
待融合的每组图像必须经过配准, 在转换前需进行预处理, 即将8位灰度图像转换为[0, 1]的单位值, 再按照上述方法进行融合处理。下图为3种方法推理融合后的图像。
3.2 实验对比及结果分析
针对融合的图像, 文中采用信息熵 (E) , 峰值信噪比 (PSNR) 以及平均梯度作为图像质量的评价参数, 计算方法如下
信息熵E
峰值信噪比PSNR
平均梯度
表1给出了该组图像分别采用3种不同方法融合后的图像质量参数对比。通过比较, 文中提出的方法明显优于其余2种。
4 结束语
由以上实验和分析可看出, 文中方法对融合结果图像具有一定的改进和提高作用, 新的方法更加详细考虑了图像自身的特征, 为最终的推理提供了依据, 从质量参数的比较中也能看出改进方法更加优越。同时, 该方法也为后续的研究留有空间, 可根据需要采用不同的特征, 从而满足更多针对性的要求。
参考文献
[1]那彦, 焦李成.基于多分辨分析理论的图像融合方法[M].西安:西安电子科技大学出版社, 2007.
[2]ATANASSOV K T.Intuiitionstic fuzzy sets[J].Fuzzy Sets and Systems, 1986, 20 (1) :87-96.
[3]田野, 陈东锋, 雷英杰.基于直觉模糊相似度量的近似推理方法[J].空军工程大学学报:自然科学版, 2007, 8 (6) :50-52.
[4]TENG Jionghua, WANG Suhuan, ZHANG Jingzhou, et al.Fusion algorithm of medical images based on fuzzy logic[C].2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery, 2010:546-550.
[5]张弛, 雷英杰, 蔡茹.基于三角模的直觉模糊综合评判模型[J].计算机工程与应用, 2008, 44 (26) :133-134.
模糊特征 第4篇
一、个性化的意象:在情感、主题中浮现
意象是组成诗歌的单位。由一个个独立的意蕴丰富的意象连串起来, 就组成了一幅生动活泼的生活场景或者化作一个呼之欲出的主体形象或者一个意味深远的缥缈意境。但是, 中国诗歌的模糊特征决定了个性化的意象, 这种可以带来诗歌丰富性解读的意象, 给我们的诗歌鉴赏带来很大的困难。如何把握这最小的组成单位, 就成了诗歌鉴赏最基本和最重要的一步了。
首先, 意象与诗歌表达的主题内容和诗歌的情感基调有关。意象是单个的, 但是诗歌的内容却是带有连贯性, 存在着潜在的线索。诗歌的情感基调是笼罩着整首诗歌的。了解了这条潜在的线索, 把握住诗歌表达的主要内容, 感受到了诗歌的情绪, 再看诗歌的意象, 便会体会到这里的意象的独特意蕴所在。例如《诗经桃夭》中有这样两句:“桃之夭夭, 灼灼其华, 之子于归, 宜其室家”。很明显, 这是一首“出嫁”主题的诗作, 自然在这类诗作中的意象必然是鲜艳夺目的、热闹喜庆的。由这个“出嫁”主题和欢乐的气氛所决定, “桃花”意象不仅仅是作为一个灿烂的出嫁背景存在着, 也不仅仅用以形容女子的容貌美, 更是一种活力的象征, 一种生命延续的象征, 甚至带有国泰民安的某种美好寓意。
其次, 意象跟民族的审美倾向、文化背景有很大的关系。一个民族在审美趣味方面, 有时会有一些约定俗成的共同爱好。一个民族的文化背景往往会造就一些独特的有趣的意象, 显得民族风味特别浓厚。例如, 柳谐“留”, 灞桥折柳成了一个格外深情又略带感伤的场面定格在古诗文中, 成为中国人格外能够引起共鸣的离别场景。这些带有古风的、带有中国特色的个性化意象, 假如我们不能了解民族的某些审美趣味, 仅仅机械地加以记忆, 又怎么能感受到它背后的丰富的内涵呢?因此, 了解熟悉、接近接受本民族的某些传统的审美趣味与倾向, 对于迅速领悟意象的独特内涵起着不可忽视的作用。
二、虚幻化的形象:在联想、扩展中丰满
中国诗讲究虚实相生, 意象如此, 主体形象更是如此。诗人在诗中常常塑造一些人物形象, 但很多时候, 这个人物形象都是不清晰、不固定甚至是不可捉摸、虚无缥缈的。这时我们需要将通过联想和扩展, 在虚实转换间, 保留主体形象丰富多义、善发联想的特征, 使之呼之欲出、鲜活动人。
首先, 我们应该寻找主体形象存在的客体环境, 也就是说, 寻找出主体形象所产生的环境基础。形象是生存在相应的意境中的。美人缓步于月下, 侠客行走于江湖, 灞桥之于离人, 孤舟之于旅人, 往往诗人在塑造一个特定的具有独特个性的人物形象时, 会匹配与人物形象的气质、心情、情感相吻合的环境, 这也就是我们所说的典型环境中的典型形象。
其次, 我们当然必须寻找形象的直接描写的句子, 也就是“实”的一面, 形成对主体形象的想象的基点。诗歌中假如要塑造一个人物形象, 虽然讲究缥缈虚幻, 讲究神韵灵动, 但是多多少少会有一些对于人物形象的直接描写的句子, 而这些句子, 我们必须充分利用, 使之作为我们想象的基础。离开了这个基础, 我们的想象就是不着边际, 也很容易理解错位。形为神的基础, 实为虚的根本, 归根结底, 只有将虚实之处彼此参照, 互为解读, 才能将人物形象凸显出来。因此, “实处”描写的重要性是不言而喻的。
第三, 我们需要寻找诗人对主体形象的议论性的文字, 这些文字可以帮助我们进一步丰富、鲜活人物形象。这一点并不是所有的诗歌都具备的, 大多数高明的诗人一般不轻易跳出来大发议论, 但是诗人偶尔的点睛之笔更可以帮助我们清晰模糊化的人物形象, 加深我们对人物形象的感知。这时候, 这种议论的文字就相当重要了。例如李清照的《声声慢》, 虽然用了一系列的“愁”的意象淡酒黄花、细雨黄昏, 但是, 词末“这次第, 怎一个愁字了得”却是直接地描摹出主体形象心中无边无际的凄楚的怨愁。
三、简约化的情境:在再现、创造中明朗
古典诗词以单个或一串意象为基本单位, 以明显或潜在的人物形象或者故事情节作为叙述线索。因为意象是简练的, 而多个意象之间的关系往往是跳跃的、富有空白和启发性的。这就造成了作为情景交融有我有物的情境。而对于诗歌营造的这种简约化、神韵化的意境, 我们需要加以合理联想与想象, 对情境进行个性化复原甚至可以进行再现和创造。只有如此, 我们才可以和在窗口流连的白云一起, 飞入那惝恍迷离的诗词世界。
首先, 必须抓住意象所构成的情境的基调, 这是我们想象的基础。这种基调决定了整首诗歌的主旋律。诗歌鉴赏的初步程序之一, 就是奠定整首诗歌的基本基调。例如白居易有一首《问刘十九》:“绿蚁新醅酒, 红泥小火炉。晚来天欲雪, 能饮一杯无?”三个具有生发性和暗示性的意象却奠定了诗歌独特的意境基调:冷色调的背景之下, 衬托着暖色调的情感。简而言之, 诗歌的意境是一个阔大苍茫的背景:天色阴沉, 冷风萧瑟, 却有着两个温暖如春的意象的衬托。屋外寒风凛冽、天幕低垂, 屋内酒香四溢、温暖如春。至此, 我们可以追想, 诗人究竟在等谁呢?诗人在诗中虽然没有明言邀请了谁, 但是能够在风雨之夜围炉畅饮的人, 精心置备了美酒跟火红的小火炉而等候的人, 于暮色深沉、寒气袭人的傍晚顶风而来的人, 一定是诗人最珍视的友人, 一定是经得住考验的老友, 一定是诗人将心比心的挚友。
其次, 将富有暗示性和生发性的意象连接起来, 使之成为一个完整的情境。看一首活泼的汉乐府《江南》:“江南可采莲, 莲叶何田田, 鱼戏莲叶间, 鱼戏莲叶东, 鱼戏莲叶西, 鱼戏莲叶南, 鱼戏莲叶北。”意象很简单:江南、莲、鱼。但是, 这些富有暗示性的意象联合起来, 在这首诗中展现出来的是一个多水多莲多鱼的梦里水乡的景象。莲者, 这是一个多么生动的采莲细节, 而这里的“莲”, 似乎又带着江南人的闲适和随性, 田田的莲叶背后是一幅怡然快乐、自给自足的江南生活场景。
四、多义化的情感:在转移、延伸中传承
诗歌的模糊化特征不仅体现在意象内涵的丰富、主体形象的缥缈、情境设置的简约, 更在于它的情感阐发具有多义性。这种多义性或表现为诗歌所表达的情感本身具有多重阐发的可能, 或表现为每个读者个体对于诗歌的情感都有个性阐发的可能。对于读者而言, 后者的意义也许更大。
情感的转移和延伸主要表现为每一个读者对于单一主题的诗词表达的情感的认知程度和倾向也会不同。比如, 李白的《静夜思》, 无疑表达的是思乡的主题, 但是, 这首诗歌却唤起了不同的人不同的家乡情怀。少年时对于亲情的依赖、中年时对于港湾的向往、暮年时落叶归根的归宿感。林林总总的乡愁, 原因正在于笔者上文归纳的这一点:每个读者会将此时此刻的个人情感加诸诗作本身, 在对诗作的个性化阅读过程中进行着无意识的延伸。
这种情感的延伸和转移有时候甚至超越了诗歌本身的意蕴, 而富有了全新的含义。李后主《相见欢》写道:“林花谢了春红, 太匆匆, 无奈朝来寒雨晚来风。胭脂泪, 相思醉, 几时重?自是人生长恨水常东。”后主原先的词作在他创作之初, 更多的仅在于表达亡国造成了他心灵上不可愈合的伤口, 意义也许仅此而已。但叶嘉莹女士却认为后主“以他的锐感深情, 以他的最敏锐最深挚的心灵与感情的那种最深切的感受向外包举的, 是以他自己一个人的破国亡家的悲哀包括了我们古今人类共同的悲哀”。为什么我们后人读古人的词作能够深受感染、引发共鸣, 实在不是完全由于我们被诗人彼时的感情所打动, 更多的是由于我们内心的无法表述的或者表述的不够精彩的某种情感被诗人淋漓尽致地表达出来了。也就是说, 诗人或者词人在诗作中表达的情感在我们身上得以转移和延伸, 从而延续着诗作的生命。那么我们也可以这样讲:假如我们在鉴赏诗作的时候不能够投入进去, 不能将被历史风干的诗人的感情重新“泡”开来的话, 我们将永远无法抵达诗歌最动人的地方。
中国诗的高超之处在于它清淡飘逸的模糊之美, 而它的晦涩之处也正在于它超越了写实的、逼真的、模拟的阶段, 而直接到达了如“春云浮空, 流水行地”的灵动境界。要解读这种虚化的、讲求神韵的诗词作品, 我们不可拿着显微镜仔细丈量细节, 也不可被诗人貌似粗枝大叶的神来之笔“蒙混”了去, 应该从意象入手, 感悟主体形象, 领悟情境场景, 进而充分领略其中的情感, 并有自己的独到心得, 这样方能领悟诗中三昧。
摘要：如何深入浅出地解读含蓄蕴藉、模糊多义的古典诗词, 一直是语文教育工作者的一大困惑。事实上, 中国诗的独特魅力即在于它的模糊多义, 在于它的飘逸清淡。如何品到最醇正的诗词, 我们必须透过模糊的表象窥视真切的情感与意境, 越过飘逸的气骨感受到动荡强悍的热情。具体而言, 必须对意象所体现的不同诗人所独具的审美情趣进行多重挖掘、对诗歌主体形象进行模糊化与真实化的转换、对情境进行想象及联想的重现和再创造、对诗歌的情感能够产生自觉性的转移和延伸。
关键词：模糊,多义,意象,主体,情境,情感
参考文献
模糊特征 第5篇
1 模糊C - 均值聚类算法
通过隶属度来确定每个数据对象属于某个聚类的程度的聚类算法就是模糊C - 均值聚类算法[2]。
FCM将n个向量( i = 1,2,3,…,n) 分为c个模糊的小组,通过求解每一组的聚类中心,使得目标函数在非相似度指标下达到最小值。FCM是用模糊来划分,用隶属度来确定每一个数据点属于各组的程度。因为归一化的规定,所以任何一个数据集的隶属度和等于1[3]。
则FCM目标函数的一般为
在此uij介于[0,1]间; 模糊组i的聚类中心用ci来表示,第i个聚类中心与第j个数据点间的欧几里德距离,且m ∈[1,+ ∞ ) 是一个加权指数[4]。从而得到新的目标函数,式( 3) 是式( 4) 得到最小值的必要条件
这里 λj,j∈[1,n],是式( 1) n个约束式的拉格朗日乘子。对所有输入的参数求导[5],则式( 2) 达到最优值的必要条件为
基于上述两个必要条件,模糊C - 均值聚类算法可用以下步骤来确定聚类中心和隶属矩阵ui:
步骤1 用样本值来初始化隶属矩阵U,使其满足式( 1) 中的约束条件;
步骤2 用式( 4) 计算c个聚类中心,i = 1,…,c;
步骤3 根据式( 2) 计算目标函数。若目标函数小于某个给定的阀值或者它相对上次目标函数值的改变量小于某个阀值,则算法终止;
步骤4 用式( 5) 计算新的隶属矩阵。返回步骤2,直到算法终止,得出最优值。
2 算法优化与改进
2. 1 内核方法和核函数
式中,d是矢量x的维数; a≥0; b的范围是[1,2]。显然,对于所有的x和上面的径向基内核有结果k( x,x) =1[7]
将式( 6) 等价代换到式( 7) ,从而产生核函数。
2. 2 优化后算法
将内核函数引入式( 8) ,从而取代欧几里德距离得到新的目标函数式( 9)
在实际的算法实现过程中,使用式( 11) 取代式( 10) ,能够进一步简化式( 11) 的计算复杂度[8]
使用内核函数替换式( 12) ,得出式( 13)
xk是样本空间中被 映射的样本数据,这样所有的样本数据能够被提前计算和存储。在式( 12) 中同时使用式( 14) 和式( 15) 进行交替迭代能够简化目标函数,方便计算[9]
式(14)和式(15)分别称为KFCM_S1算法和KF-CM_S2算法。
2. 3 实验算法步骤
步骤1计算数据样本中的形心数量C和集群数,然后选择初始类的形心,ε > 0 设置是一个微小的值;
步骤2 对于KFCM_S1 和KFCM_S2,只计算其平均值或者均值滤波的图像;
步骤3 使用式( 14) 更新矩阵的分区;
步骤4 使用式( 11) 更新形心。重复第3 步和第4 步直至满足条件。
当算法的迭代次数达到用户指定的迭代次数或相应目标函数达到极小值,迭代过程将终止,保证得到最优解或者局部最优解[10]。
3 测试与分析
3. 1 人物图像测试
3. 2 细菌图像测试
3. 3 算法速率
椒盐噪声和高斯噪声的噪声密度都为0.05,然后测试FCM、FCM_S、KFCM_S对噪声图像的分割和去噪的时间。表1为加入高斯噪声的图像处理时间,表2为加入椒盐噪声的图像处理时间。
由图5 和图6 可以看出,KFCM_S算法处理加高斯和加椒盐噪声的图像时间最短。
3. 4 峰值信噪比
峰值信噪比越高,处理后的图像与原图越接近。表3 为不同算法的峰值信噪比值,从表中可看出,只有KFCM_S算法的峰值信噪比最高,该算法对图像去噪和分割性能最好。
4 结束语
通过算法速率测试,KFCM_S算法相比较传统的FCM算法,在图像的分割和去噪的时间上减少约68% ,这体现了该算法的高效性。通过峰值信噪比测试,得出优化后的算法峰值信噪比最高,对图像分割和聚类效果更加准确,KFCM _S算法的峰值信噪比比FCM算法提高了约10% ,证明了KFCM_S算法分割图像的优越性和鲁棒性。
摘要：针对传统FCM算法处理噪声图像时存在去噪性能差、聚类时间长、分割效果不佳等问题。文中通过拟合核聚类算法和传统的FCM算法,产生一种使用内核诱导距离取代欧式距离的核函数FCM算法,并推导出利用样本特征和空间信息的核FCM聚类算法,通过大量的对比测试,得出文中算法较传统FCM算法在图像的分割和去噪时间上减少约68%,峰值信噪比相比传统FCM算法提高了约10%。证明优化后的算法具有更好的抗噪性与鲁棒性。
关键词：FCM,内核诱导距离,核聚类,鲁棒性
参考文献
[1]李云松.改进的模糊C-均值聚类对噪声图像的分割[D].兰州:兰州理工大学,2007.
[2]廖松有,张继福,刘爱琴.利用模糊熵约束的模糊C均值聚类算法[J].小型微型计算机系统,2014,35(2):379-383.
[3]陈新泉.特征加权的模糊C聚类算法[J].计算机工程与设计,2007,28(22):5329-5333.
[4]高新波,范九伦,谢维信.区间值数据模糊C-均值聚类新算法[J].西安电子科技大学学报:自然科学版,1999,26(5):604-609.
[5]唐成龙,王石刚.基于数据间内在关联性的自适应模糊聚类模型[J].自动化学报,2010,36(11):1544-1556.
[6]潘庆丰,陈国龙.基于核函数的模糊C均值聚类算法[J].集美大学学报:自然科学版,2006,11(4):369-374.
[7]周巧萍,潘晋孝,杨明.基于核函数的混合C均值聚类算法[J].模糊系统与数学,2008,22(6):148-151.
[8]程可嘉.基于核函数的模糊聚类算法研究[D].成都:电子科技大学,2009.
[9]蒋帅.K-均值聚类算法研究[D].西安:陕西师范大学,2010.
