湿地遥感图像分割算法设计及实现

提出了一种结合熵和模糊C均值的聚类分割方法。模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感,基于二维直方图的模糊C均值聚类算法除了考虑像素点的灰度信息外还考虑了像素点邻域的空间信息,可有效地抑制噪声;在目标函数中引入熵项则能更好地抑制噪声和外围点对类中心估计的影响。实验分析结果表明,算法对湿地遥感图像的分割效果优于FCM算法。     

微粒群算法在二维模糊熵图像分割中的应用

将微粒群算法和二维模糊熵阏值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法.该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值.对几例真实目标图像的对比分割实验结果表明,该文方法性能优越,是一种有效的图像分割方法.     

改进的模糊C-均值聚类医学图像分割算法

针对模糊C-均值聚类算法分割图像时容易产生模糊边缘的缺点,提出了一种结合图像梯度和模糊C-均值聚类的图像分割方法.该方法利用图像梯度反映出来的目标边界,对由模糊C-均值聚类所获得的聚类区域进行分割,把因模糊性而划分到目标区域的像素点与目标区域进行分离,同时利用区域增长方法找出干扰区域并删除.将该算法应用到胰腺ERCP图像分割,实验表明,改进算法能够比较准确地分割出图像中的目标,减少因模糊聚类产生的模糊边缘.     

基于图像像素间空间信息的加权模糊阈值分割算法

模糊理论对处理模糊不确定性的事件具有得天独厚的优势,而阈值分割算法是一种简单有效的算法,因此基于模糊理论的阈值分割在图像分割领域中得到广泛的应用。但是多数的阈值分割算法对于灰度图像的处理往往仅利用图像的灰度水平值而未考虑像素的空间邻域信息,大大地增加了灰度图像的目标和背景的误分比率。针对此问题提出一种引入空间信息的加权模糊阈值分割算法,在考虑像素的灰度水平值的同时,将像素与其邻域像素的空间关系作为权重来共同对该像素作用,设计出新的模糊分割函数。实验证明该算法具有较好的稳定性和鲁棒性,对多数图像的梯度的灰度直方图接近单峰的图像和灰度峰值分布距离较远、两峰数量悬殊的双峰图像,均能得到很好的分割效果。     

一种快速的模糊局部C-均值聚类分割算法

针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。     

基于空间位置约束的K均值图像分割

K均值聚类分割是一种有效的基于聚类的图像分割算法.传统的K均值聚类分割算法采用特征空间中的相似性测度来度量像素的归属类别.由于自然景物图像的复杂性,位置邻近且本应属于同一分割区域的像素点,由于它们视觉特征的差异性,导致其在特征空间中相距甚远而被分割为不同的区域.以投票的方法将像素的局部空间位置信息引入到K均值聚类分割算法中,达到了改善分割效果的目的.实验结果证实了该方法的有效性.     

基于图论的快速FCM图像分割算法

研究基于图论的最短路径算法与加权直方图方法,结合快速模糊聚类思想,提出一种改进的快速模糊C-均值(FCM)图像分割算法。利用最短路径算法对图像进行初始化处理,使处理后的灰度值准确反映邻域像素对原像素的影响。通过加权直方图改变灰度变化剧烈区域像元在图像分割中的影响程度,并自适应寻找初始聚类中心。实验结果表明,该算法能快速准确地分割图像,具有较强的抗噪性。     

基于各向异性滤波和空间FCM的MRI图像分割方法

针对具复杂目标和边界模糊的MRI图像中多感兴趣区域的分割中分割MRI图像软组织难的问题, 提出了一种基于各向异性滤波和空间模糊C-均值聚类(SFCM)的MRI图像分割方法; 用新型各向异性滤波对图像进行预处理, 解决去噪平滑的同时弱化图像细节的问题; 用邻域空间信息设计空间函数, 改进传统FCM的目标函数; 用图像的空间信息实现图像各目标准确分类、有效解决孤立区域的正确归类问题, 进而使分割区域完整; 用直方图拟合曲线初始化分类数和初始聚类中心, 加快算法迭代到最优解, 进而减少运行时间。通过实验证实了各向异性滤波和空间FCM的MRI图像分割方法的综合应用显著提高了分割灰度重叠、目标不连续和目标边界模糊的MRI图像的分割效果。     

基于三维直方图加权的模糊聚类图像分割方法

标准的FCM算法对大数据样本集进行聚类时极为耗时,而且对噪声比较敏感。针对其缺点,提出了一种基于三维直方图加权的模糊聚类图像分割方法,该方法考虑了图像像素点的灰度信息和邻域的均值信息及中值信息,其次考虑了样本空间中不同的样本点对分类的贡献不同。实验结果表明,该算法满足了图像分割有效性和实时性的需求。     

基于核与局部信息的多维度模糊聚类图像分割算法

在以聚类分析为背景的图像分割算法中,引入局部信息是为了在保留图像细节的同时尽可能地减少噪声.在模糊C均值算法基础上,提出了一种基于核与局部信息的多维度模糊聚类分析方法来权衡图像中的噪声和细节.该算法引入2个基于局部信息的图像变体,即平滑和锐化处理后的图像,使之与原始图像一起构成多维度的灰度值向量来替换原始单维的灰度值; 再利用核方法提高其鲁棒性; 最后添加一个邻域隶属度差异惩罚项很好地修正和增强了最终的分割效果.在人工合成图片的去噪实验中,所提方法取得了近99%的分割正确率,优于Nystrom归一化分割(NNcut)和基于模糊局部信息C均值(FLICM)算法;同时在自然图片和医学图片的对比实验以及参数调控实验中,展现出了其在处理图像噪声和细节时灵活、稳定、健壮且易于调控的特点.     

几何距优化质心结合隶属度约束RFCM的脑MRI图像分割算法

针对现有图像分割算法聚类复杂以及分割精度不够高的问题,提出了基于几何距优化质心和粗糙模糊C-均值（RFCM）相结合的医学图像聚类分割算法。首先建立软集表示的像素集,并计算每个像素与质心之间的距离,然后基于像素和质心之间的最小距离,将像素分组到聚类中。为了将软集应用到粗糙模糊C-均值中,定义了一个模糊软集,进一步将输入图像转换为二值图像,通过计算连通区域的几何距选择适当的质心。最后利用这些新的质心计算更新像素的隶属度值,从而完成模糊聚类划分。在Allen Brain Atlas等三个医学数据库上评估了所提出混合算法的性能,获得的Jaccards系数和分割精度（SA）都优于几种对比算法。实验证明,提出的聚类分割算法具有良好的性能。     

High precision image segmentation algorithm using SLIC and neighborhood rough set

A high precision image segmentation algorithm using SLIC and neighborhood rough set is proposed. The algorithm mainly includes two stages: the stage of superpixel generation and the mergence stage based on neighborhood rough set. In superpixel generation stage, based on L-channel color histogram and its peak, the scheme of initial superpixel number generation is proposed according to the complexity of the image itself. For inaccuracy segmentation edge of SLIC caused by isolated pixels, the compactness factor is appropriately increased before they are generated. After that, the scheme of reclassifying each isolated pixel is proposed just relying on the color space. In superpixel mergence stage based on neighborhood rough set, the texture information using the gray level co-occurrence matrix is introduced into the feature representation of superpixel. It can reduce the dependence of color feature and improve the accuracy of the mergence. By constructing the information table, the neighborhood granule of each superpixel is acquired under the neighborhood threshold. Finally, the superpixels within the neighborhood granule are merged on the basis of the spatial adjacency between superpixels. In Berkeley segmentation data set, compared with the SLIC algorithm, the schemes of initial superpixel number generation and the isolated pixels processing are proved to be effective. Furthermore, the experiments demonstrate that the proposed algorithm can produce high-quality and high-precision image segmentation results in comparison with the SLIC-based image segmentation algorithms on three standard metrics.     

基于粗糙集与差分免疫模糊聚类算法的图像分割

提出了基于粗糙集模糊聚类与差分免疫克隆聚类的图像分割算法。该算法在差分免疫克隆聚类算法的基础上,通过引入粗糙集模糊聚类,将差分免疫克隆聚类算法中的硬聚类变成模糊聚类,从而获得更丰富的聚类信息。具体来说,由于粗糙集的优势是处理不确定的数据,因此,加入粗糙集模糊聚类后更有利于算法解决不确定性问题。通过对9幅图像分割实验结果与4种算法的对比,验证了该算法在聚类性能稳定性方面的优越性,结果还同时证明了该算法具有更高的分割正确率和更好的分割结果。     

基于邻域的多尺度模糊C-均值聚类图像分割

模糊C-均值(FCM)聚类是一种无监督聚类技术,广泛应用于图像分割。但它计算量偏大,且仅利用像素信息对像素进行聚类,而未使用空间分布信息。本文提出基于邻域信息的多尺度FCM聚类图像分割方法,该方法由小波分解得到图像多尺度框架,对框架顶层低分辨率图像的每个像素,用它的邻接像素引导它的聚类过程,来决定该像素的聚类,再由图像框架逐层对聚类分割进行细节修正。分割实验表明,该方法对比标准FCM分割,具有更好的抗噪性,且图像分割更均匀。     

基于边缘敏感的SLIC和二次密度聚类的GGO分割

针对磨玻璃肺结节(Ground Glass Opacity,GGO)边界对比度低、大小各异和灰度不均匀等造成分割准确率低的问题,提出一种基于边缘敏感的SLIC和二次密度聚类相结合的分割算法。将图像边缘检测结果与SLIC超像素算法相结合,并将其中含有边缘的超像素块用区域质心代替其原始聚类中心,改善SLIC边界黏连性较差的问题;针对密度聚类不能完整分割GGO的问题,提出二次密度聚类的方法,对密度聚类定位到的簇及其邻域簇进行二次密度聚类。实验结果表明,该算法分割GGO的平均准确率达90.17%,灵敏度达84%。     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

基于粗糙集的混合属性数据聚类算法

传统聚类方法将对象严格地划分到某一类,但是很多时候边界对象不能被严格地划分。基于粗糙集的k-means聚类算法和基于粗糙集的leader聚类算法,利用粗糙集理论将数据对象划分到一个簇的上近似集或下近似集当中,提供了一种新的处理不确定性的视角,很好地解决了这种边界不确定问题。但其缺点是不能处理混合属性数据,聚类结果对初值有明显的依赖性。针对这些算法存在的不足,给出了一种适用于混合属性数据的距离定义,对初始值的选取提出了改进办法,提出了一种基于粗糙集的混合属性数据聚类算法。仿真实验证明,在不确定聚类簇数的情况下,该算法的聚类准确率比传统k-means算法明显提高。     

一种快速鲁棒核空间图形模糊聚类分割算法

针对现有鲁棒图形模糊聚类算法难以满足强噪声干扰下大幅面图像快速分割的需要，提出一种快速鲁棒核空间图形模糊聚类分割算法。该算法将欧氏空间样本通过核函数映射至高维空间；采用待分割图像中像素邻域的灰度和空间等信息构建线性加权滤波图像，对其进行鲁棒核空间图形模糊聚类；并引入当前聚类像素与其邻域像素均值所对应的二维直方图信息，获得鲁棒核空间图形模糊聚类快速迭代表达式。对大幅面图像添加高斯和椒盐噪声进行分割测试，实验结果表明:本文算法相比基于图形模糊聚类等分割算法的分割性能、抗噪鲁棒性和实时性有了显著提高。     

基于混合邻域约束项的改进FCM算法

传统模糊聚类算法在影像分割过程中仅考虑影像的光谱信息,所以对噪声比较敏感.对此,提出基于混合邻域约束项的改进模糊C均值聚类(MNCFCM)算法.首先,从隶属性及光谱属性两方面定义邻域像素关于中心像素的相似度;然后,利用线性加权的方式将从两方面定义的相似度进行融合,同时结合邻域像素到聚类中心的欧氏距离构造混合邻域约束项,并将其引入目标函数中,以平衡影像分割过程中的影像平滑及细节保留,实现对影像的更优分割;最后,通过对合成影像及真实遥感影像分割结果的定性、定量评价,验证所提出算法具有较强的鲁棒性,在降低对噪声的敏感性的同时,能够较好地保留影像细节,获得高精度的分割结果.     

基于局部密度自适应度量的粗糙K-means聚类算法

通过引入上、下近似的思想,粗糙K-means已成为一种处理聚类边界模糊问题的有效算法,粗糙模糊K-means、模糊粗糙K-means等作为粗糙K-means的衍生算法,进一步对聚类边界对象的不确定性进行了细化描述,改善了聚类的效果。然而,这些算法在中心均值迭代计算时没有充分考虑各簇的数据对象与均值中心的距离、邻近范围的数据分布疏密程度等因素对聚类精度的影响。针对这一问题提出了一种局部密度自适应度量的方法来描述簇内数据对象的空间特征,给出了一种基于局部密度自适应度量的粗糙K-means聚类算法,并通过实例计算分析验证了算法的有效性。