模糊C-均值（FCM）算法对图像噪声敏感，聚类过程中只考虑图像的数值特征信息而忽略像素间空间约束关系，同时单一隶属度并不能充分描述图像的不确定性，这使得基于FCM的图像分割不够准确。融入局部信息的改进FCM算法虽然对图像噪声有一定鲁棒性，但对图像细节保持不够，难以分割微小区域。针对上述问题，提出一种基于直觉模糊集的改进模糊C-均值（IFS_FCM）图像分割算法。该方法将直觉模糊集理论融入到FCM中，充分考虑图像的不确定性，同时在目标函数中引入空间邻域信息，使得该分割算法对噪声鲁棒性增强的同时还能保持图像细节信息。实验结果表明，IFS_FCM能获得更加理想的图像分割效果。

利用matlab实现FCM算法，算法最终返回距离类中心，和每个样本对于不同类的隶属度矩阵。同时，使用随机生成的100个二维数据，进行算法程序的检验，给出具体的迭代次数和目标函数值，以及聚类的结果图。

针对基于模糊C均值聚类（FCM）的图像分割算法仅利用像素的灰度信息、噪声抑制不理想、算法鲁棒性不高的问题，提出了一种基于像素邻域信息约束的FCM图像分割算法。该算法在模糊目标函数中引入邻域信息约束，通过约束系数自适应调节控制邻域信息约束强度，自优化迭代更新聚类中心和聚类隶属度矩阵，使模糊目标函数收敛到最小，并利用像素最优聚类隶属度去模糊化操作实现图像分割。实验结果表明，该算法在获得较高的图像分割精度的同时，具有较强的噪声抑制能力。

自己写的模糊C均值聚类算法MATLAB实现

聚类分割算法是图像处理中的基本操作，文件中包含了使用模糊C-均值实现聚类分割的算法原理以及MAtlab源程序 聚类分割算法是图像处理中的基本操作，文件中包含了使用模糊C-均值实现聚类分割的算法原理以及MAtlab源程序

基于马氏距离的模糊c均值聚类算法（c++）

基于模糊C均值聚类算法的图像分割

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

针对模糊C均值聚类算法(FCM)存在对初始聚类中心敏感，易陷入局部最优解的不足，将改进的粒子群聚类算法与FCM算法相结合，提出了一种基于粒子群优化的模糊C均值聚类算法。该算法对粒子群初始化空间及粒子移动最大速度进行优化，同时引入环形拓扑结构邻域，提高粒子群聚类算法的全局搜索能力。对UCI中3个数据集进行仿真实验，结果表明提出的基于粒子群优化的模糊C均值聚类算法相比FCM算法和基本粒子群聚类算法具有更好的聚类效率和准确性。

针对同构多传感器系统在无先验知识、无系统模型条件下对同一未知目标进行在线测量过程中的数据融合问题,提出一种基于改进模糊聚类的同构多传感器在线融合方法.该方法采用引入噪声类的鲁棒模糊聚类方法分析同时刻多源数据,避免了传统模糊聚类融合方法中对聚类数设定的依赖,同时有效去除系统偏移较大的数据源和异常信号对融合结果的不良影响;通过引入隶属度函数影响因子,增加历史融合结果对当前融合的指导.仿真实验进一步验证所提方法在融合精度和计算实时性方面的优势.