Resumen

En primer lugar, este artculo presenta el algoritmo de C-means difuso basado en kernel regularizado adaptativamente y basado en la restriccin de pertenencia (G-ARKFCM). Bajo la idea del aprendizaje competitivo basado en penalizar a los oponentes, se introduce un nuevo elemento de penalizacin de la funcin de restriccin de membresa para cada punto de muestra en la imagen segmentada, de modo que el algoritmo ARKFCM ya no est limitado al ndice difuso =2. En segundo lugar, se introduce la optimizacin multiplicativa de componentes intrnsecos (MICO) en G-ARKFCM para obtener el algoritmo GM-ARKFCM, que puede corregir el campo de sesgo al segmentar imgenes HIE neonatales. Comparado con otros algoritmos, el algoritmo GM-ARKFCM tiene mejor calidad de segmentacin y robustez. El algoritmo GM-ARKFCM puede segmentar de forma ms completa los ventrculos neonatales y la sustancia blanca circundante y puede conservar ms informacin de la imagen original.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Algoritmo; Regularizado adaptativo; C-means difuso basado en kernel; Restricción de pertenencia; GM-ARKFCM; Segmentación.
• Keywords:Algorithm; Adaptively regularized; Kernel-based fuzzy C-means; Membership constraint; GM-ARKFCM; Segmentation.