摘  要： 使用Intel Parallel Amplifier高性能工具，针对模糊C均值聚类算法在多核平台的性能问题，找出串行程序的热点和并发性，提出并行化设计方案。基于Intel并行库TBB（线程构建模块）和OpenMP运行时库函数，对多核平台下的串行程序进行循环并行化和任务分配的并行化设计。 　　并行性主要是指同时性或并发性，并行处理是指对一种相对于串行处理的处理方式，它着重开发计算过程中存在的并发事件。并行性通常划分为作业级、任务级、例行程序或子程序级、循环和迭代级以及语句和指令级。作业级的层次高，并行处理粒度粗。粗粒度开并行性开发主要采用MIMD方式，而细粒度并行性开发则主要采用SI

对数值型数据分别进行K均值和模糊C均值聚类，并对两种聚类算法的聚类正确率进行比较，得出结论；

Fuzzy C Means - Multi clustering and find center of clusters with Python模糊C均值聚类的python实现，用于实现图像分割

FCM算法两种迭代形式的MATLAB代码，供数据挖掘、模式识别或图像处理等方面参考

针对基于颜色特征空间的半监督聚类分割算法适合分割结果包含多个颜色特征相似目标的应用场合,但对高噪声图像却无法获得理想的分割结果,而基于随机游走理论的半监督图像分割算法需要用户对目标逐一进行标记的问题,提出一种半监督图像分割算法.首先根据用户标记采用半监督模糊C均值聚类(SSFCM)算法对图像颜色特征进行建模;然后引入一个确信度函数,并根据SSFCM算法得到的隶属度数据计算确信度函数值,再将像素分为2类,分别作为随机游走图像分割算法的已标记点和未标记点;最后采用随机游走算法完成最终的分割.实验结果表明,该算法对图像中的噪声具有良好的抑制作用,且无需用户对目标逐一进行标记.

针对传统模糊C均值聚类算法（FCM）存在对初值敏感和易陷入局部收敛的缺陷，利用改进的粒子群算法对FCM进行优化，提出一种新的模糊C均值聚类算法Improved PSOFCM，并建立基于熵的聚类有效性函数，对聚类算法的性能进行客观评价。数据集实验表明，Improved PSOFCM算法不仅能克服传统FCM算法的不足，而且在聚类正确率和有效性上也优于基于粒子群与基于遗传优化的FCM算法。

使用Opencv实现区域增长法、K均值聚类算法、模糊C均值聚类算法对图像处理；可处理单通道图像以及多通道图像。用法：建立Opencv工程后添加此cpp文件，在该工程中添加lena .jpg图片即可运行程序（当然也可以自己修改图像名）

基于改进模糊C-均值聚类算法的图像变化检测

模糊C均值聚类的Python算法，新数据的类别预测

基于多特征的模糊c均值聚类的图像分割.pdf