模糊聚类算法是将模糊隶属度引入传统的K均值聚类算法而来,属于基于划分的聚类算法,是当前最常见的聚类算法之一。聚类中心和聚类个数是聚类算法中两个比较重要的参数,一般在算法初始化时,聚类中心的个数根据先验知识给定,聚类中心根据随即函数抽取。由于样本数据分布的多样性,因此根据数据的分布自动确定聚类的个数是一个棘手的问题。本文针对这个问题,分别从两个数据集样本出发,自动确定其聚类个数和聚类中心。(1)针对线性不可分的二维数据点集,采用基于图论的自动确定聚类个数的聚类方法。首先根据多次模糊聚类的分类结果,分别构造相应的邻接矩阵,累加得到最终的邻接矩阵；其次对上一个步骤中得到的邻接矩阵,做迭代图切迭代,即将一个完整的连通子图不断分割成几个不同的连通子图,在迭代过程中定位最稳定的分割状态,将这个状态下的子图个数作为最终的聚类个数。实验表明该方法对线性不可能的数据集能取得较好的聚类结果。(2)针对彩色图像数据集,采用基于直方图的自动确定聚类个数的聚类算法。该算法通过两次分割直方图的方法来确定最后的聚类中心,即初始RGB的各自直方图和融合后的直方图。在聚类初始化前,采用SLIC方法对彩色图像进行预分块,减少聚类样本,加快迭代速度；实验表明该方法聚类效果较好,时间复杂度较低。