復雜背景下的車牌自動識別系統
加入技術交流群
為提高聚類的收斂速度，還需對隸屬度進行修正，在半抑制式模糊C-均值聚類算法(HSFCM)中引入了一抑制門限參數β，將最大隸屬度值uRj與該門限進行比較，若其大于該門限，則對其進行修正；否則就不對其修正。為了更好地提高聚類的速度，將隸屬度修正公式變為：本文引用地址：http://www.104case.com/article/163512.htm
在式(1a)，當最大隸屬度值uRi大于門限值β1時，uRi=1，轉為硬C聚類算法；當uRi小于門限值β2時，不修正；當β1≥uRj>β 2時，uRj增加為原來的2-uRj倍，提高其隸屬度。在式(1b)中，將其它隸屬度做相應的修改，以滿足
改進后的模糊C-均值聚類算法的具體操作步驟如下：
(1)對圖像進行灰度處理，獲得灰度值的極值點及個數來初始化聚類中心初始聚類中心V(0)及聚類數目C，并具體選取ε>0，令迭代次數k=0。
(2)計算U（K），如果∨j，r,drj(k)>0，則
如果存在j,r，使得drj(k)=0，則令urj(k)=1，且i≠r，uij(k)=0。
(3)根據式(1a)、(1b)，修正隸屬度矩陣U(k)。
(5)如果||V(k)-V(k+1)||ε，則停止，否則令k=k+1，重復步驟(2)、(3)、(4)、(5)。
對圖1所示的原始圖像中，處理后的灰度直方圖如圖2所示，獲得的極值點的個數(即聚類數目)為4，聚類中心灰度值特征量的初始化值分別為(21、66、141、186)。通過改進FCM算法后，獲得分割后的圖像如圖3所示。
評論