[发明专利]一种具备迁移学习能力的模糊聚类图像分割方法

权利要求书

1.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.μ_ij∈[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，μ_ij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，x_j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)]]>

μij=1Σk=1C[||xj-vi||2||xj-vk||2]1m-1---(3)]]>

根据以上两式迭代优化终止后可获取历史相似图像的聚类中心

步骤二：在处理新的带噪的图像处理任务时，在经典FCM算法的基础上融入从步骤一中得到的相关历史相似图像的聚类中心本方案构造出一个引入迁移学习机制的FCM算法之新目标函数J_T-FCM，其具体形式如下：

JT-FCM(U,V,V^,Xcurrent)=Σi=1CΣj=1Nμijm||xj-vi||2+λ·Σi=1CΣj=1Nμijm||vi-v^i||2---(4)]]>

st.μ_ij∈[0，1]and1≤j≤N

其中，其中C为聚类数，N为样本总数，为第i类的中心点，μ_ij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，x_j表示第j个样本点，X_current表示当前的图像样本，U表示为当前图像的隶属度矩阵，V表示为当前图像的聚类中心，表示为历史相似图像的的聚类中心由步骤一获得，λ为历史知识使用程度值，可人工调控；

步骤三：利用通过步骤二获取的当前图像的聚类中心V及隶属度U，在利用下述公式进行去模糊化之后即可得到当前图像处理任务的空间划分结果Θ

Θij=1if(μij=max(μj))0others---(5)]]>

其中，μ_ij表示第j个样本属于i类的隶属度，μ_i表示第j个样本属于各类的隶属度，Θ_ij表示第j个样本属于i类的空间划分结果，进而得到图像的分割结果。