Este documento redefine las matrices suaves difusas de imagen (-matrices) debido a algunas de sus inconsistencias resultantes de la definición de conjuntos difusos de imagen de Cuong. Luego, introduce varias medidas de distancia de las -matrices. Posteriormente, este documento propone un nuevo clasificador basado en NN, a saber, el clasificador de vecino más cercano suave difuso de imagen (PFS-NN). El clasificador propuesto utiliza la métrica de Minkowski de las -matrices para encontrar al vecino más cercano. Posteriormente, realiza un estudio experimental utilizando cuatro conjuntos de datos médicos de UCI y compara el enfoque sugerido con los clasificadores basados en NN de última generación. Para evaluar el rendimiento de la clasificación, realiza diez iteraciones de validación cruzada de cinco divisiones en todos los clasificadores. Los resultados indican que PFS-NN supera a los algoritmos basados en NN de última generación en 72 de 128 resultados de rendimiento basados en precisión, recuperación y puntuación F1. Más específicamente, el método propuesto logra resultados de precisión y puntuación F1 más altos en comparación con los otros clasificadores. Los resultados de la simulación muestran que las -matrices y PFS-NN son capaces de modelar la incertidumbre y los problemas del mundo real. Finalmente, se discuten las aplicaciones de las -matrices en el aprendizaje supervisado para investigaciones futuras.