区域信息驱动的多目标进化半监督模糊聚类图像分割算法

现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明：与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。

     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

基于近邻搜索花授粉优化的直觉模糊聚类图像分割

为克服传统模糊聚类算法应用于图像分割时,易受噪声影响,对聚类中心初始值敏感,易陷入局部最优,模糊信息处理能力不足等缺陷,该文提出基于近邻搜索花授粉优化的直觉模糊聚类图像分割算法。首先设计一种新颖的图像空间信息提取策略,进而构造融合图像空间信息的直觉模糊聚类目标函数,提高对于噪声的鲁棒性,提升算法处理图像中模糊信息的能力。为了优化上述目标函数,提出一种基于近邻学习搜索机制的花授粉算法,实现对于聚类中心的寻优,解决对于聚类中心初始值敏感,易陷入局部最优的问题。实验结果表明所提算法能在多种噪声图像上取得令人满意的分割效果。

     

基于模糊聚类的国画图像分割研究

国画图像分割是图像理解、计算机视觉等研究领域的重要内容。文章根据国画颜色有限性的特点以及视觉的颜色聚类特性,提出了一种基于模糊C均值聚类(FCM)的国画图像分割算法,实现对国画图像的分割。算法根据中国国画颜色以墨色为主,以墨破色的特点,通过选取国画图像每个像素点的灰度颜色特征,计算各像素点到各个聚类中心之间的欧式距离,并利用模糊C均值聚类的方法更新聚类中心,聚类结束后得到分类后的图像;再利用分类图像标识出分割图像,从而实现国画图像的分割。通过实验得出,算法有效地保证了各区域图像的完整,提高了分割的精确度。     

基于模糊聚类遗传算法的图像分割方法研究

图像分割是图像处理和图像分析的关键步骤,在图像工程中占据重要地位.模糊C均值聚类(FCM)算法是一种经典的模糊聚类分析方法,但其算法初始聚类原型是随机选取的,从而造成算法性能强烈地依赖聚类原型的初始化,将遗传算法强大的通用性应用于模糊聚类算法,对模糊聚类中心进行编码,然后依据FCM算法的目标函数建立适应度函数,选择适当的交叉率和变异率,最终实现基于模糊聚类遗传算法的图像分割.采用这种方法一方面能较好地解决模糊聚类对初始化敏感的问题,又能在一定程度上提高了分割速度.实验结果表明,该算法具有良好的分割效果.     

一种基于模糊近邻标签传递的半监督分类算法

提出了样本分布无关,模型简单,单控制参数的模糊近邻标签传递算法.该算法依据样本与其k个近邻的模糊相似性连接,使类别标签从标签数据向未标签数据传递,实现未标签数据的分类.最后,通过人工合成数据和UCI数据集中数据的分类实验验证了该算法的简单有效性.     

半监督谱聚类比较研究

半监督谱聚类是当前模式聚类领域研究的一个重要方向.本文在分析三种传统半监督谱聚类方法的基础上,提出一种新的多二类谱聚类方法.考虑到拉普拉斯矩阵的第二特征向量具有最强的聚类能力,该方法使用多个拉普拉斯矩阵的第二特征向量实现聚类,不同于传统方法只使用一个拉普拉斯矩阵的多个特征向量.在Iris等标准数据集和图像分割上的实验结果表明本文方法的有效性.     

一种二型模糊可能性聚类红外图像分割算法

提出了一种新的基于二型模糊可能性聚类的红外图像分割算法。针对受概率约束的模糊聚类算法和不受概率约束的可能性聚类算法在红外图像分割时存在的问题,采用二型模糊系统融合两种分割算法的隶属度函数,将隶属度函数看作一个区间型分布,而不是单独采用两种算法输出的确定模糊值。这种处理方式不但能有效抑制噪声及野值,而且能有效防止红外图像的过分割。实验仿真结果表明,该算法较传统聚类算法能获得更好的分割效果,可有效抑制噪声对目标区域分割的干扰。     

基于形态学操作和模糊聚类技术的超声图像分割

针对医学超声图像对比度低和噪声强的特点,提出了多尺度形态学操作和模糊聚类技术相结合的图像分割方法.该方法利用多尺度形态变换提取图像的结构特征,通过对不同尺度结构特征数量的统计分析,估计图像中噪声尺度大小,并修改不同尺度结构特征的强度,从而实现对图像局部对比度的增强和噪声抑制.同时,使用新的模糊C均值聚类算法对增强后图像进行分割,从而进一步地减少图像中噪声对分割的影响,完成超声图像的有效分割.实验结果表明该方法对超声图像的分割是有效的.     

非局部模糊C均值聚类图像分割

改进的广义模糊C均值聚类分割算法(GIFP_FCM)是一种新型的模糊聚类算法。然而,GIFP_FCM对噪声很敏感,这是因为该算法忽略了图像的空间信息。为了解决这一问题,本文提出一种新算法,即非局部自适应空间约束聚类算法(FCA_NLASC)。在该方法中,一种新的非局部自适应空间信息被引入到改进的GIFP_FCM的目标函数。该算法的特点是控制每个像素在非局部空间信息图像中的噪声。对于合成图像和真实图像,与GIFP_FCM算法比较,实验结果表明,FCA_NLASC算法能够较好地保持图像细节特征,并且对噪声具有较强的鲁棒性。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

抑制式非局部空间直觉模糊C-均值图像分割算法

针对传统的模糊C-均值(FCM)算法没有考虑图像像素的空间邻域信息,对噪声敏感,算法收敛较慢等问题,该文提出一种抑制式非局部空间直觉模糊C-均值图像分割算法。首先,通过计算像素的非局部空间信息提高抗噪能力,克服传统的FCM算法只考虑图像单个像素的灰度特征信息的缺陷,提高分割精度。其次,根据直觉模糊集理论,通过“投票模型”自适应生成犹豫度作为抑制因子修正隶属度,提高算法的运行效率。实验结果表明,该算法对噪声鲁棒性较强并且有较好的分割性能。     

结合形态学分水岭的模糊聚类图像分割方法

图像分割是将图像分成各具特性的区域,并将感兴趣的目标提取出来的技术,是图像分析和计算机视觉中非常重要的研究内容。根据图像单一的属性标准对图像进行分割会产生过分割的现象,不容易提取到图像中有用的信息。结合数学形态学分水岭算法先对图像进行分割,得到了对图像的初步处理结果,再利用模糊聚类方法对分水岭分割产生的图像进行后处理,使得灰度信息相同或相近的点聚合在一起,得到了较好的图形轮廓。     

一种基于模糊C均值的图像超像素分割方法

在分析现有图像分割算法基础上,提出一种基于超像素的模糊C均值分割算法.首先利用像素间灰度和距离定义像素间相似度,从而循环迭代出图像的超像素;然后进一步提取每个超像素的小波能量特征并利用模糊C均值算法对该特征进行聚类.大量实验表明,提出的图像分割算法对噪声有一定稳健性,分割准确率高,并能有效抑制孤立点的影响.     

基于模糊聚类的图像分割研究进展

模糊聚类算法（Fuzzy C-Means,FCM）是一种基于软划分的聚类过程,已被广泛应用于机器学习、图像处理和计算机视觉等领域.虽然当前已涌现出大量关于FCM的图像分割算法,但仍然面临诸多挑战.本文将基于FCM的图像分割算法归纳为三类：基于空间邻域信息的FCM算法、基于直方图信息的快速FCM算法及基于维度加权的FCM算法.首先系统分析和阐述了各类FCM算法的研究现状,然后通过实验分析各类算法的性能,最后总结了FCM算法在图像分割中存在的问题以及将来的研究方向.     

模糊选择多分辨率Kohonen聚类网络用于灰度图像分割

基于模糊分割、模糊分割子集的概念提出一种新的具有模糊选择多分氕 Ｋｏｈｏｎｅｎ聚类网络用于解决原有选择多分辨率网络结构存在的样本子集不、误差逐层传递等总是为了便于对原有网络缺陷的分析及使新的算法更具一磐性,将Ｋｏｈｏｎｅｎ聚类网络作为聚类分割算法的特例,从集合论的角度对聚类分割问题的基本概念及算法加以定义,将新的网络用于灰度图像分割,实验表明该方法有效地改善了分割效果。     

图像信息驱动的抑制式粗糙模糊聚类分割算法

粗糙模糊聚类方法需要手动设置阈值确定粗糙聚类的上、下近似且对图像中的噪声较为敏感。为了减少人为干预,实现粗糙模糊聚类在图像分割中的深度应用,本文提出一种图像信息驱动的抑制式粗糙模糊聚类分割算法。方法中设计了基于超像素区域信息的自适应阈值策略,用于有效确定粗糙聚类的上下近似,将图像空间信息引入到粗糙模糊聚类,构造了融合空间信息的粗糙模糊聚类目标函数,克服方法对于图像噪声的敏感性,此外,为进一步提升聚类性能,将模糊聚类中的抑制式学习思想引入到粗糙下近似集中像素的模糊隶属度的修正,实现了粗糙和模糊思想的深度融合。本文算法是更具混合智能机理的粗糙模糊聚类图像分割算法,实验结果表明了本文算法的有效性。