编辑推荐：
在图像聚类领域，PCM 算法面临多特征图像分割难题，尤其是少数目标稀疏分布问题。研究人员提出 WK - PCM 和 LWK - PCM 算法。实验表明，相比相关算法，新算法聚类性能优异，为图像聚类研究提供了新方向。
在人工智能蓬勃发展的当下，图像分割作为其中的关键环节，对于众多领域的发展起着至关重要的作用。可能性 C 均值聚类（Possibilistic c - means clustering，PCM）算法作为经典的分区聚类算法，在图像分割中占据着重要地位。然而，现实就像一座充满挑战的山峰，PCM 算法在攀登的过程中遇到了诸多阻碍。
当面对具有多种特征的彩色图像时，PCM 算法常常显得力不从心。特征不平衡使得算法在处理数据时难以准确把握各个特征的重要性，就像一个人在错综复杂的迷宫中迷失了方向；聚类大小不平衡则如同参差不齐的积木，让算法难以搭建出整齐有序的聚类结构；噪声攻击更是雪上加霜，仿佛是一阵突如其来的狂风，扰乱了算法原本的判断。而少数目标在特征空间中的稀疏分布，更是成为了 PCM 算法前进路上的一道鸿沟，使得它难以有效地识别和聚类这些目标。
为了跨越这些障碍，来自国内的研究人员勇挑重担，积极开展了相关研究。他们深入剖析 PCM 算法的问题根源，提出了基于加权核距离的 PCM（WK - PCM）算法和基于局部空间信息的改进 WK - PCM 图像分割算法（LWK - PCM）。研究人员通过大量实验，对合成数据集和不平衡彩色图像进行分析，最终得出结论：相比相关聚类算法，WK - PCM 和 LWK - PCM 算法展现出了卓越的聚类性能。这一成果意义非凡，它为图像聚类研究开辟了新的道路，就像在黑暗中点亮了一盏明灯，为后续的研究提供了新的思路和方向，也为人工智能在图像分割领域的进一步发展奠定了坚实的基础。该研究成果发表在《Engineering Applications of Artificial Intelligence》上。
在研究过程中，研究人员主要运用了以下关键技术方法：首先，定义加权核距离（WK - distance），将典型性的绝对属性与高斯核函数相结合，同时引入特征加权方案；其次，基于 WK - distance 引入割集理论选择部分对象，修改其典型性；最后，利用双边滤波获取局部空间信息并融入算法。
研究结果如下：
- 加权核距离设计：通过结合典型性的绝对属性和高斯核函数，设计出 WK - distance。这一距离增强了稀疏目标的类内紧凑性，克服了特征不平衡问题。例如，在处理具有不同特征重要性的数据时，该距离能够更好地反映样本间的相似性，使同类样本更紧密地聚集在一起。
- 割集理论应用：基于 WK - distance 引入割集理论选择部分样本点，修改这些点的典型性。这一操作有效解决了由典型性导致的聚类重合问题，增加了类间分离度。在实际数据聚类中，避免了不同类别的样本过度重叠，提高了聚类的准确性。
- 自适应确定核带宽：利用典型性对噪声的判别能力，设计自适应方法确定核带宽。这样可以减轻远距离噪声和异常值的影响，使算法在处理含有噪声的数据时更加稳健。
- 引入局部空间信息：将通过双边滤波获取的空间邻域信息引入 WK - PCM，增强了不平衡图像的抗噪声能力，保留了更多边缘细节。在对噪声污染的图像进行分割时，能够更准确地识别图像中的目标，同时保留图像的重要特征。
研究结论和讨论部分再次强调了 WK - PCM 和 LWK - PCM 算法的重要意义。这些算法成功解决了 PCM 算法在处理不平衡数据、少数目标稀疏分布和噪声干扰时的难题，为图像聚类提供了更有效的解决方案。它们不仅提升了聚类性能，还为后续相关研究提供了宝贵的经验和参考，推动了人工智能领域图像分割技术的发展。
