基于模糊核聚类的双水平集医学图像分割

在实际的医学图像中,除目标和背景区域外,还存在两个以上的目标区域,传统的Chan-Vese模型一般只适用于两相图像分割,不能很好地分割多相图像。提出了一种基于模糊核聚类的改进型双水平集的医学图像分割,利用KFCM聚类算法降低图像噪声和双水平集模型的敏感性,对双水平集模型进行改进,对聚类后图像再分割。该方法具有较好的抑制图像噪声能力,充分利用图像边缘信息,无需初始化水平集函数,减少计算量和算法迭代次数,并能有效地实现多相目标区域的分割。     

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。     

基于模糊熵聚类和改进粒子群的MRI脑图像分割研究

现有医学图像生成过程中无法回避噪声的引入,而目前还未有较好的算法对高噪声的MRI医学图像进行分割,分割归属于聚类问题,聚类常用的方法是模糊聚类,但模糊聚类需要解决对噪声和初始化敏感的问题,提出了一种基于模糊熵聚类和粒子群优化算法的MRI脑图像分割算法。首先在模糊熵聚类算法的基础上进行改进,设计了一种利用邻域空间信息的核化模糊熵聚类的新目标函数,然后提出一种基于改进粒子群优化的新算法,最后通过最优化目标函数对MRI图像的白质、灰质和脑脊液进行分割。选取蒙特利尔神经学研究所数据库中的MRI脑图像,将所提出的算法与现有的几种聚类分割算法进行比较,仿真实验结果表明,所提出算法能够解决模糊聚类对噪声和初始化敏感的问题,实现了对高噪声MRI图像的精确分割。     

核空间自适应非局部均值鲁棒分割算法

为改善传统模糊C均值(FCM)算 法对噪声干扰下图像的分割效果,提出了一种基于核空间邻域信息和自适应非局部均值相结 合的图像鲁棒分割算法。首先,利用传统FCM聚类算法进行初始聚类分割,将 所得聚类中心作为改进算法的初始聚类中心; 其次通过自适应非局部均值算法对图像进行平滑处理,避免图像过度分割;然后对引入核空 间邻域信息的目标函数进行最优化求解, 获取聚类中心和隶属度的迭代表达式;最后对像素进行分类时,利用邻域像素隶属度对像素 进行进一步滤波处理。实验结果表明:本文的 改进算法与传统FCM聚类算法、核空间FCM(KFCM)算法、基于邻域信息的FCM(FCM S)算法和基 于邻域信息KFCM(KFCM-S)算法相比,改进算法对强噪声干扰下的图像具有较好 的鲁棒性,并且能够有效分割图像的目标信 息和背景信息。从几种算法进行聚类分割结果所对应的峰值信噪比(PSNR)也可以看出,本文 改进算法的PSNR更高。     

改进的空间约束加权模糊核聚类红外图像分割

红外图像分割算法对复杂背景下的目标检测跟踪具有重要意义,提出了一种改进的基于空间约束的加权模糊核聚类红外图像分割新算法.在其中引入了红外图像像素间的空间位置约束关系和关于类别的结构信息,并定义了类别权重可靠性指数修正类别权重,不但抑制了红外图像中存在的噪声点和野值等干扰,而且可以保护红外图像中的小目标,防止被背景淹没.通过对实际红外图像的分割结果表明,该算法很大程度上减少了背景像素对目标识别的干扰,适于进行复杂背景下红外目标的准确分割.     

一种基于多重模糊聚类的红外目标分割算法

提出了一种基于多重模糊聚类的红外目标分割算法。为了实现目标的准确分割,先将原始红外图像进行四划分得到四个子图像,在各个子图像上分别进行模糊C均值聚类,再对图像进行横纵二划分各得到两个子图像,并将四划分时得到的聚类结果约束在二划分的聚类过程中,最后将二划分得到的聚类结果约束到原始图像的聚类过程中,并在其中加入邻域空间约束。此方法可有效增强背景和目标区域像素点的各自凝聚性和抗干扰性,有效提高聚类分割结果的准确性。实验结果表明,多重模糊聚类目标分割算法能准确地实现红外图像目标区域和背景区域的分离,是一种可行的目标分割算法。     

结合Voronoi划分HMRF模型的模糊ISODATA图像分割

为了解决传统模糊聚类图像分割方法对噪声敏感及无法自动准确确定聚类数的问题,提出结合Voronoi划分HMRF模型的模糊ISODATA图像分割方法。利用Voronoi划分将图像域划分为若干子区域,以划分子区域为基本单元定义基于隐马尔科夫随机场(HMRF)模型的模糊聚类目标函数,以解决噪声敏感问题;通过迭代自组织数据分析技术算法(ISODATA)中聚类分裂、合并技术改变聚类数,以实现聚类数的自动确定。对模拟、合成图像和真实图像分割结果的定性和定量分析表明:提出算法不仅可以有效克服噪声和像素异常值对分割结果的影响,而且还能自动准确确定聚类数,实现高精度的自动变类图像分割。      

基于红外CCD的掺钆液体闪烁体液位测量方法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用, 并直接影响到后续的分析、处理工作。针对医学超声图像对比度低和噪声强的特点, 提出了一种将超像素和模糊聚类技术相结合的图像分割方法。该方法利用简单线性迭代聚类算法产生多个超像素子区域, 通过比较各个子区域间特征向量的相似性, 利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并, 实现超声图像目标区域的有效分割。和传统的基于单像素的FCM聚类算法相比, 该方法具有较强的鲁棒性, 有效提高了目标区域的分割精度和分割效率, 取得了较好的分割效果。     

基于超像素和模糊聚类的医学超声图像分割算法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作.针对医学超声图像对比度低和噪声强的特点,提出了一种将超像素和模糊聚类技术相结合的图像分割方法.该方法利用简单线性迭代聚类算法产生多个超像素子区域,通过比较各个子区域间特征向量的相似性,利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并,实现超声图像目标区域的有效分割.和传统的基于单像素的FCM聚类算法相比,该方法具有较强的鲁棒性,有效提高了目标区域的分割精度和分割效率,取得了较好的分割效果.     

一种改进的图割目标分割算法

为了减少图像目标在分割过程中受到噪声、复杂背景等因素的影响,将图像的多特征信息引入到图割算法中,提出了一种结合图像的多特征信息图割目标分割方法。该方法先选取像素点的多种图像特征组成特征向量,并对已做好标记的目标和背景种子点的特征向量分别进行FCM聚类,然后分别计算各像素点与这两类种子点的各聚类中心的最短欧式距离,并据此信息完成对能量函数的构造,最终运用最大流/最小割的方法得到图像分割的结果。其与传统图割算法相比,分割结果有了明显改善。实验结果表明,该算法具有有效性。     

基于非下采样Contourlet变换的红外小目标检测方法

对存在背景干扰和噪声情况下的红外小目标检测方法进行了分析,提出了一种时空结合的红外小目标检测算法.首先根据背景图像变化较慢的特点,运用相邻帧相减以减少背景和噪声的干扰,接着对残差图像进行非下采样Contourlet变换,利用非下采样Contourle分解后子图像的特性抑制剩余的背景并消除噪声,提高了目标信噪比,最后通过...     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。     

基于改进Lazy Snapping算法的红外图像分割方法研究

针对红外图像含大量噪声以及对比度低等特点,提出一种结合快速模糊C均值聚类的改进Lazy Snapping分割方法。对红外图像使用快速模糊C均值聚类算法进行预分割,通过形态学骨架提取的方法在图像中标记出目标和背景种子点,将Lazy Snapping算法由全局分割转化为聚类区域分割,并构造能量函数,通过最小割算法求解能量函数的最小值并使分割效率得以提升,减少了图像存在的过分割现象,使Lazy Snapping算法由交互式算法变为非交互式算法,实现了红外图像的自动分割,提高了Lazy Snapping算法的实时性。通过对各类不同红外图像进行分割实验,再与其他分割方法进行性能评价比较,结果表明改进的算法具有良好的分割效果及较强的鲁棒性。     

基于局部特征的单帧红外小目标检测算法

针对单帧红外小目标具有能量值高于背景和噪声的特点,提出了一种基于局部特征的单帧红外小目标检测算法。该方法首先分析了单帧红外图像各部分的高低频关系,利用单帧红外小目标与背景在频率上的不同,采用二阶巴特沃斯低通滤波器滤除背景干扰;然后设定能量与灰度阈值进行自适应阈值分割,保留疑似目标点;最后通过改进的拉普拉斯算子突出红外小目标轮廓。经过红外图像仿真实验验证,该方法能够在复杂空域快速而准确地检测出单帧红外小目标。     

复杂背景条件下的红外运动小目标检测算法

在红外成像制导系统中,运动小目标易受到背景和噪声的严重干扰,从而导致较低的信噪比,给目标检测带来了难度.为此,我们首先使用基于Top-Hat变换的数学形态学滤波对红外数字图像进行背景抑制.进而对经过黑、白Top-Hat变换后的图像求取并集,然后,通过自适应门限分割得到小目标.试验结果表明该方法在信噪比接近2的时候仍能够得到较好的目标检测效果.     

基于二阶梯度的红外小目标检测方法

为了提高复杂背景下红外图像中弱小目标的检测概率同时降低虚警率,本文提出一种基于二阶梯度的红外弱小目标检测算法。首先基于小面模型采用二维离散正交多项式对原始图像局部灰度分布进行拟合,然后设计二阶方向导数滤波器对图像进行滤波并分解为不同的方向通道,再根据极值定理对不同的方向通道求取极值图像,随后对极值图像进行形态学滤波以增强目标能量并进一步抑制背景杂波,之后对极值图像进行归一化处理并统计其直方图,利用直方图灰度分布选取合适的分割阈值,进行阈值分割后得到二值图像并最终确定目标位置。实验结果表明,该方法在信噪比极低的复杂背景下可准确地对弱小目标进行检测。     

基于二维模态分解与斑块对比度相结合的红外小目标检测算法

红外小目标检测在红外目标搜索跟踪等应用中发挥着重要作用。文中提出一种二维经验模态分解与多尺度斑块对比度算法相结合的红外小目标检测算法。首先,利用二维经验模态分解将红外图像分解成不同尺度的模态分量,再将低频模态分量去掉进行图像重构,实现对背景杂波的抑制。然后,将重构图像做为多尺度斑块对比度算法的输入,生成目标结果图。最后,对目标结果图进行自适应阈值分割,检测出真实的红外小目标。实验仿真结果表明,该算法与现有算法相比,在不同背景下能够有效抑制背景对目标的干扰,具有较高的检测率,验证了该算法的有效性和鲁棒性。     

基于高压绝缘套管纹理特征的红外目标检测

在基于传统图像分割法的红外图像目标检测中,当背景颜色和被检测物体颜色相近时,往往难以有效地识别红外图像中的被检测物。所以为了进一步提高绝缘套管在红外图像中的识别精度,文中提出一种基于绝缘套管伞裙纹理特征的目标检测方法。首先为增强图像纹理特性,将双边滤波代替传统高斯-拉普拉斯算子中的高斯卷积滤波,通过双边-拉普拉斯进行图像滤波和增强。之后针对高压绝缘套管外层伞裙的特殊纹理,建立反映伞裙周期性分布的描述子,并通过图像扫描法进行粗识别。最终基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法,建立其超参数求解方法,实现离群点剔除和特征聚类,完成高压绝缘套管的精细分割。通过实验对比其他绝缘套管红外图像的识别算法,文中算法可以有效地精细分割出绝缘套管主体,克服其他图像分割方法的不足。并在数据集上识别率达到85%以上。     

基于循环平移Contourlet变换的红外小目标检测方法

分析了在有噪声和背景干扰情况下检测红外小目标的方法,提出了一种将循环平移Contourlet变换去噪 方法和自适应阈值分割方法相结合的红外小目标检测算法。该方法首先对原始图像进行循环平移阈值去噪,再用原始图像减去 去噪图像,对得到的残差图像进行自适应阈值分割,分离出少量的候选目标点,最后利用目标运动的连续性和一致性检测出 目标。分别用Contourlet变换法、小波变换法和本文提出的检测法对小目标进行了检测。仿真结果表明,本文提出的检测方法 能较精确地检测出序列图像中的红外小目标,检测效果优于Contourlet变换法和小波变换法。