复杂背景下的车牌自动识别系统
为提高聚类的收敛速度，还需对隶属度进行修正，在半抑制式模糊C-均值聚类算法(HSFCM)中引入了一抑制门限参数β，将最大隶属度值uRj与该门限进行比较，若其大于该门限，则对其进行修正；否则就不对其修正。为了更好地提高聚类的速度，将隶属度修正公式变为：本文引用地址：http://www.eepw.com.cn/article/163512.htm
在式(1a)，当最大隶属度值uRi大于门限值β1时，uRi=1，转为硬C聚类算法；当uRi小于门限值β2时，不修正；当β1≥uRj>β 2时，uRj增加为原来的2-uRj倍，提高其隶属度。在式(1b)中，将其它隶属度做相应的修改，以满足
改进后的模糊C-均值聚类算法的具体操作步骤如下：
(1)对图像进行灰度处理，获得灰度值的极值点及个数来初始化聚类中心初始聚类中心V(0)及聚类数目C，并具体选取ε>0，令迭代次数k=0。
(2)计算U（K），如果∨j，r,drj(k)>0，则
如果存在j,r，使得drj(k)=0，则令urj(k)=1，且i≠r，uij(k)=0。
(3)根据式(1a)、(1b)，修正隶属度矩阵U(k)。
(5)如果||V(k)-V(k+1)||ε，则停止，否则令k=k+1，重复步骤(2)、(3)、(4)、(5)。
对图1所示的原始图像中，处理后的灰度直方图如图2所示，获得的极值点的个数(即聚类数目)为4，聚类中心灰度值特征量的初始化值分别为(21、66、141、186)。通过改进FCM算法后，获得分割后的图像如图3所示。
评论