In Section 1, the authors establish the models of two kinds of Markov chains in space-time random environments (MCSTRE and MCSTRE(+)) with abstract state space. In Section 2, the authors construct a MCSTRE and a MCSTR...In Section 1, the authors establish the models of two kinds of Markov chains in space-time random environments (MCSTRE and MCSTRE(+)) with abstract state space. In Section 2, the authors construct a MCSTRE and a MCSTRE(+) by an initial distribution Φ and a random Markov kernel (RMK) p(γ). In Section 3, the authors es-tablish several equivalence theorems on MCSTRE and MCSTRE(+). Finally, the authors give two very important examples of MCMSTRE, the random walk in spce-time random environment and the Markov br...展开更多
由于模糊 C 均值聚类算法(FCM)存在两大缺陷:(1)对于非球形的数据聚类形式鲁棒性不够;(2)只考虑图像中的数值特征信息,而忽略了像素间的空间约束关系,因此 FCM 算法在对含有噪声的图像进行分割时缺乏足够的鲁棒性。针对以上问题,本文提...由于模糊 C 均值聚类算法(FCM)存在两大缺陷:(1)对于非球形的数据聚类形式鲁棒性不够;(2)只考虑图像中的数值特征信息,而忽略了像素间的空间约束关系,因此 FCM 算法在对含有噪声的图像进行分割时缺乏足够的鲁棒性。针对以上问题,本文提出了一种结合 Markov 空域约束与基于核函数距离测度的加权模糊 C 均值聚类的快速鲁棒图像分割方法。为克服缺点(1),我们使用基于核函数的距离测度取代 FCM 中的欧氏距离,并使用加权模糊聚类的方式保证了计算的简洁性。与此同时,我们用 Markov 随机场描述图像的空域约束信息,并且通过数据融合的方法将模糊分割结果与空域约束信息结合在一起,从而得到既包含像素数值特征又包括空域约束信息的图像分割场。这样既克服了传统模糊 C 均值聚类算法的缺点,又最大限度地保证了分割算法计算的简单有效性。展开更多
基金Supported by the National Natural Science Foundation of China (10771185 and 10871200)
文摘In Section 1, the authors establish the models of two kinds of Markov chains in space-time random environments (MCSTRE and MCSTRE(+)) with abstract state space. In Section 2, the authors construct a MCSTRE and a MCSTRE(+) by an initial distribution Φ and a random Markov kernel (RMK) p(γ). In Section 3, the authors es-tablish several equivalence theorems on MCSTRE and MCSTRE(+). Finally, the authors give two very important examples of MCMSTRE, the random walk in spce-time random environment and the Markov br...
文摘由于模糊 C 均值聚类算法(FCM)存在两大缺陷:(1)对于非球形的数据聚类形式鲁棒性不够;(2)只考虑图像中的数值特征信息,而忽略了像素间的空间约束关系,因此 FCM 算法在对含有噪声的图像进行分割时缺乏足够的鲁棒性。针对以上问题,本文提出了一种结合 Markov 空域约束与基于核函数距离测度的加权模糊 C 均值聚类的快速鲁棒图像分割方法。为克服缺点(1),我们使用基于核函数的距离测度取代 FCM 中的欧氏距离,并使用加权模糊聚类的方式保证了计算的简洁性。与此同时,我们用 Markov 随机场描述图像的空域约束信息,并且通过数据融合的方法将模糊分割结果与空域约束信息结合在一起,从而得到既包含像素数值特征又包括空域约束信息的图像分割场。这样既克服了传统模糊 C 均值聚类算法的缺点,又最大限度地保证了分割算法计算的简单有效性。
