基于改进型FCM聚类的图像分割新方法

传统的模糊C均值(FCM)聚类算法在判定当前像素归属时没有考虑像素的空问信息,因而对噪声十分敏感.为提高图像分割的准确性,通过引入空间约束信息的惩罚项,对传统FCM算法中的目标函数进行修正.基于人造图像和实际图像的测试实验结果证明了该方法对噪声具有较强的鲁棒性.     

一种基于Ｃ均值的模糊核聚类图像分割算法

模糊核聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,已广泛应用于图像分割领域,但其算法对初值敏感,很大程度上依赖初始聚类中心的选择,并且容易收敛于局部极小值,用于图像分割时,隶属度的计算只考虑了图像中当前的像素探值,而未考虑邻域像素探间的相互关系,故对分割含有噪声图像不理想。故提出了一种改进的模糊核聚类图像分割算法,先通过数据约简,不损失数据聚类结构的前提下对数据进行挖掘,然后在模糊核聚类算法中引入特性核函数,将约简后的数据映射到高维非线性特征空间进行划分,最后再利用表征邻域像素的参数来修正当前空间像素的隶属度。实验结果表明,提出的算法较好地解决了模糊核聚类算法在局部极值处收敛和在迭代过程中出现停滞等问题,最终得到最佳全局聚类,迭代次数降低明显,并具有高鲁棒性、对噪声不敏感的特点。     

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。     

改进的自适应模糊C均值聚类图像分割算法

分析自适应FCM图像分割算法的优缺点,提出了改进的自适应模糊C均值聚类算法.利用像素的空间邻域信息构造二维直方图,作为自适应FCM的聚类样本,降低了样本空间的维数,解决了自适应FCM收敛速度慢,对噪声敏感等问题.通过与自适应FCM算法对含噪图像的分割结果以及分割速度,性能的对比分析,证明该算法收敛速度快,分割精度高,对噪声有较强的鲁棒性.     

鲁棒总变分核空间模糊聚类分割算法研究

针对现有的总变分模糊聚类分割算法在强噪声干扰图像分割中难以获得准确有效分割结果的不足,提出了鲁棒总变分核空间模糊聚类分割算法。该算法首先在鲁棒模糊聚类分割算法的目标函数中引入了总广义变分(TGV)正则化,消除图像中不需要的噪声和伪影;其次引入局部空间信息、局部灰度信息以及非均匀隶属函数从而构造一个新的模糊局部信息因子,在保证噪声抑制的同时保留图像中更多细节信息;最后将改进的聚类算法推广至核空间,使原空间线性不可分的像素样本点变成线性可分或近似线性可分,从而更好地给每个像素分配更高的隶属度。实验结果表明,与现有的总变分模糊聚类分割算法相比,建议算法在强高斯噪声干扰情况下的分割精度提高了14.7%,对强高斯噪声有较好的鲁棒性以及分割性能。     

基于改进的模糊C均值聚类图像分割新算法

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。为了克服上述问题,提出了一种新的基于改进的FCM图像分割算法。该方法将空间的信息融入到标准的FCM算法中,通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值,该概率在算法执行过程中根据模糊隶属度值自动地予以确定。算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高。人造图像和实际图像的实验结果表明该方法的有效性和对噪声具有较强的鲁棒性。     

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.     

基于协方差描述子的彩色图像分割算法

为克服模糊C均值聚类图像分割对噪声较为敏感的缺陷,提出了一种结合协方差描述子的模糊C均值聚类算法。采用协方差描述子的滤波能力以改善传统模糊C均值聚类算法对噪声敏感的缺陷;提取超像素的协方差矩阵作为特征,降低图像识别的特征冗余。并做了仿真实验,对提出的算法与三个图像分割算法进行比较,结果表明该图像分割算法具有较好的噪声鲁棒性和分割准确率。     

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。     

基于空间约束的模糊核聚类红外图像分割

提出了一种基于空间约束的模糊核聚类红外图像分割算法.首先将图像映射到特征空间,在特征空间内进行模糊聚类,针对红外图像中存在的噪声点和野值等干扰问题引入了像素点的八邻域局部空间约束信息,并定义了像素分类可靠性指数修正隶属度函数在整个图像范围内分析像素分类的合理性,其中像素分类可靠性指数包括像素分类灰度可靠性指数和像素分类距离可靠性指数.实验结果表明,这种考虑局部空间约束和整体空间约束的模糊核聚类算法可更有效地对红外图像进行分割.     

基于邻域空间特征的低对比度小目标分割算法

低对比度图像具有邻近像素的空间相关性高、灰度变化不明显等特点,从中分割出微小目标是非常困难的。本文提出一种新的低对比度图像提取小目标的分割算法,通过引进局部均匀度,结合局部熵获得空间分布状态,对低对比度图像进行分割,该算法充分利用了目标图像的灰度和空间属性。实验结果表明,该方法能有效地实现低对比度小目标图像的分割。相对于其他算法,分割精度更高,且抗噪性强,可以有效地降低过分分割问题。     

基于局部多结构元素的遥感图像消噪算法

提出了一种基于局部多结构元素形态学的遥感图像消噪算法.首先确定灰度突变像素点,利用定义的八种多结构元素对灰度突变像素点进行形态学的腐蚀操作,以实现对像素点的分类.若判断为噪声点则滤除该点,同时在该点处进行中值滤波以填补像素值;若判断为非噪声点,则保留该点像素值.仿真结果表明,该算法能够很好地滤除遥感图像中的孤立噪声点,保留遥感图像的细节,同时对参数的调整不敏感,能够应用于很多遥感图像的消噪中.     

静止轨道遥感卫星海面运动舰船快速检测方法

面向静止轨道光学遥感卫星,该文提出一种海上运动舰船目标快速检测方法。该方法首先利用多结构多尺度形态学滤波对海洋背景遥感图像进行背景抑制;然后采用自适应阈值分割和自组织聚类获得候选目标;再根据目标运动特征,利用静止轨道卫星凝视序列图像对候选目标进行多目标移动式邻域判决,剔除虚假目标;最后关联舰船目标以及融合卫星平台数据,可快速计算舰船状态等深层次动态信息。实验结果与分析表明,所提方法能有效检测海洋背景遥感图像中的多个运动舰船目标,准确获取各个舰船位置、航速、航向、运动轨迹等信息,具有算法简单,目标检测率高、虚警率低,稳定性好等优点。该方法为我国静止轨道光学遥感卫星在轨数据处理与应用提供了技术支撑。     

基于多源遥感卫星的海面舰船目标检测方法

围绕光学卫星遥感图像中的海面舰船目标检测问题,考虑静止轨道遥感卫星和低轨道高分辨率遥感卫星的优缺点,提出一种基于多源遥感卫星的海面舰船目标检测方法。该方法首先通过多结构多尺度形态学滤波和自适应阈值分割对静止轨道卫星遥感图像进行目标预检测,然后将预检测结果与卫星图像的地理位置信息相结合来确定高分辨率遥感图像候选目标区域,最后提取候选目标区域中目标的主要特征,进行舰船目标判别,将判别结果反映到静止轨道遥感卫星图像上。仿真结果表明,该方法能有效检测出海洋背景遥感图像中的多个运动舰船目标,具有目标检测率高、虚警率低、时效性好等优点,为静止轨道遥感卫星对海面运动舰船目标的实时监视跟踪提供了技术支撑。     

基于全卷积网络的遥感图像自动云检测

气象卫星图像云检测是气象预报领域中的一项重要任务。包含降水预测,气象灾害预测在内的若干气象预报任务都依赖精确的云检测结果。依据气象卫星遥感图像数据,本文提出了一种基于全卷积网络模型的遥感图像云分割算法,实现了高分辨率、大尺度、多通道遥感图像的云分割。我们的算法包含: 1)图像分块;2)块状图像分割;3)分割图像拼接三个主要步骤,实现了像素级精度的云分割。相比传统算法,我们的算法不依赖人工经验,完全由数据驱动,并在极端数据情形下具有更好的鲁棒性。测试数据结果显示,我们的算法能够满足气象预报的需要,且具有商业应用的潜力。      

基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法。该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL（Kullback-Lerbler）信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度。在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度。通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性。     

基于上下文模糊C均值聚类的图像分割算法

像素间的上下文相关信息对图像分割算法的抗噪性和准确性具有重要意义,现有的模糊C均值(FCM)聚类算法对此缺乏充分考虑。该文基于对空间上下文的可靠性度量,提出一种模糊C均值聚类算法(RSFCM)应用于图像分割:通过对空间上下文有效建模来提高聚类算法的抗噪声干扰性能,并研究了一种新的可靠性模糊度量指标,使聚类算法能更好地平衡细节保留和去噪,从而获得更加准确的分割结果。实验选取人工合成图像、交通标志图像和遥感图像3类数据测试聚类算法性能,结果表明,RSFCM在图像分割过程中能有效地抑制椒盐噪声和高斯噪声引起的类内异构及类间同构问题,能提高图像的像素可分性,并有效地保留了图像的边缘细节。     

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。     

基于区间二型模糊神经网络的高分辨率遥感影像分割方法

高分辨率遥感影像同质区域地物目标异质性增大,光谱测度空间复杂性增加使像素类属的不确定性以及分割决策不确定性增大,引起分割精度下降。提出一种基于区间二型模糊神经网络的高分辨率遥感影像监督分割方法。对同质区域构建一型高斯隶属函数模型刻画像素类属的不确定性;模糊化高斯隶属函数参数构建区间二型模糊模型处理分割决策的不确定性;以训练样本在所有类别中的一型模糊隶属度及上、下隶属度为输入,建立模糊神经网络模型并融入像素邻域关系作为模糊决策。采用文中算法、FCM方法、HMRF-FCM及区间二型模糊神经网络方法分别对合成影像及真实高分辨遥感影像进行分割,定性与定量的对比分析验证了文中算法具有更高的分割精度。      

基于多特征融合的层次支持向量机遥感图像云检测

云检测是遥感图像处理和应用的前提, 针对遥感图像云检测的准确率容易受到薄云及似云地物影响的挑战, 提出一种结合遥感影像灰度、纹理和频率特征的层次支持向量机云检测算法。该方法首先采用简单线性迭代聚类算 法将遥感图像分割为像素块, 再采用一种层次支持向量机分类器对遥感图像以像素块为单位进行云检测。层次支持 向量机的第一层将像素块初步分为 “云” 和 “地物” 两类。层次向量机的第二层针对第一层分类的结果分别设计两个 分类器进行进一步分类, 并将分类后的结果合并为 “厚云”、 “薄云”、 “地物” 三类。最后, 将分类结果进行膨胀处理, 得到最终的云检测结果。选取高分一号 WFV 的 RGB 波段遥感图像进行实验, 结果显示提出的新方法对实验图像的 云检测平均准确率为 95.4%, 表明该方法可适用于多种场景下遥感图像的云检测, 服务于遥感产品的生产和应用。