基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值（FCM）聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法.该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果.实例分析证明了算法的有效性和实用性.     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中，针对模糊C均值(FCM)聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷，把蚁群算法与FCM聚类算法有机结合，提出了一种基于蚁群算法的模糊C均值聚类图像分割算法. 该算法首先利用蚁群算法全局性和鲁棒性的优点，得到聚类中心和聚类个数，再将其作为模糊C均值聚类的初始聚类中心和聚类个数，弥补了传统FCM聚类算法的不足，得到了较好的分割效果. 实例分析证明了算法的有效性和实用性.     

基于粒子群聚类算法的图像边缘检测

提出了一种基于动态粒子群的聚类算法应用于图像边缘检测。由于FCM算法容易陷入局部最优,并对初始化敏感,这种算法利用粒子群较强全局寻优能力与局部寻优能力,动态确定聚类数目和中心,在此基础上又进行FCM聚类。两者有效地结合起来能搜索到有效的全局最优解。仿真实验表明,该算法应用与图像边缘检测是可行和有效的。     

基于蚁群及空间邻域信息的FCM图像分割方法

针对模糊C均值(FCM)聚类算法聚类个数难以确定、搜索过程易陷入局部最优的缺陷,把蚁群算法与改进的FCM聚类算法相结合,提出了一种基于蚁群算法的带有空间邻域信息的模糊C均值聚类图像分割算法.首先利用分水岭算法对图像进行初始分割,然后利用蚁群算法寻优,求得聚类中心和聚类个数,将其作为模糊C均值聚类的初始聚类中心和聚类个数进行模糊聚类.实验结果表明:由于聚类样本数量显著减少,很大程度上提高了聚类速度和抗噪能力,增强了算法的鲁棒性.     

基于ACS-FCM算法的图像分割研究

对蚁群算法、模糊C均值聚类(FCM)算法进行了探讨,并在FCM图像分割算法的基础上,提出了一种改进的ACS-FCM算法,结合边缘检测技术应用于图像分割.实验结果表明,与其他几种分割算法相比,该方法具有更好的可靠性与有效性,能取得更理想的分割效果.     

基于改进FCM和径向基函数插值的图像修复

图像破损区域的检测提取是图像修复过程中的关键预处理步骤,模糊C均值聚类算法(FCM)在聚类过程中易受到初始聚类中心影响并陷入局部最优.提出一种基于差分演化的改进模糊C均值聚类算法(DEFCM),该方法通过建立图像的灰度-梯度直方图获取聚类数目,作为差分演化算法(DE)问题的维数,结合改进的FCM自适应提取图像破损区域,在此基础上,利用径向基函数插值方法(RBF)对图像进行修复.经实验验证,该方法能解决FCM算法陷入局部最优的问题,能正确、稳定的提取灰度图像的多种破损区域,RBF通过对破损区域的插值得到缺失信息,实现图像的修复.     

基于空间邻域信息的模糊聚类图像分割

模糊C均值(Fuzzy C-means,FCM)聚类算法在图像分割中已获得广泛应用.为了克服传统FCM算法抗噪性能差的局限性,提出了一种新的基于空间邻域信息的模糊聚类图像分割方法.该方法将图像的聚类分割转化为一个优化问题,通过建立包含邻域信息的适应度函数考虑像素之间的相互影响,利用捕食者-食饵微粒群的全局优化能力获得最优聚类中心,实现图像分割.仿真结果表明,提出的算法不易陷入局部最优,抗噪能力强,分割效果好,是一种有效的图像分割算法.     

基于自适应蚁群算法的模糊聚类算法

将自适应蚁群优化算法与FCM(Fuzzy C-Means)算法相结合,提出了一种模糊聚类分析的新算法.该算法通过把FCM算法中的目标函数降维,将其转化为自适应蚁群优化算法中的优化函数,通过对各个节点的路径连接数的衡量,根据蚂蚁在搜索过程中所得解的分布状况,动态调节蚂蚁的路径选择和信息量更新,从而得到目标函数的最优解.结果表明,该方法比FCM算法具有更好的收敛效果和更高的聚类准确率.     

一种空间信息自适应的鲁棒模糊聚类算法

针对传统模糊聚类算法利用空间信息对抗噪声时对图像分割造成影响的问题，本文提出一种新型鲁棒模糊聚类方法(fuzzy c-means＿adaptive spatial, FCM＿AS)。在传统FCM算法基础上，引入空间信息自适应方法，提出了新的模糊聚类模型FCM＿AS及其对应的迭代优化算法。该模型在利用像素空间信息对抗噪声的同时，在像素的局部信息和非局部信息之间，设置一个自适应权重参数，实现对空间信息的自适应调整。为验证本文算法的有效性，采用多种流行算法在合成图像和脑MR图像上进行对比实验。实验结果表明，与传统的模糊聚类方法相比，FCM＿AS算法在处理合成图像和复杂的医学图像噪声时，可有效消除噪声对分割过程的影响，分类相对准确，且边缘信息平滑，图片准确度较高，更加接近理想分割效果，具有更好的鲁棒性和优越性，是一种稳健的图像分割算法。该研究实现了对空间信息的自适应调整，具有一定的理论意义和应用价值。     

基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法（FCM）的缺陷,提出了一种基于改进遗传算法的模糊聚类方法．利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷．仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度．     

A method of automatic image segmentation for gas bubbles in water

This paper presents an algorithm of automatic bubble image segmentation using the improved ant colony optimization methodology. The ant colony optimization method is a metaheuristic algorithm, and has been applied in many fields. To reveal the versatility and appropriateness of automatic bubble image segmentation, the fuzzy clustering analysis method is employed in ant colony optimization algorithm. Compared with the well-known image feature extraction operators such as SUSAN and Canny, the proposed method can comparatively suitable to extract the gas bubbles image edge features. The experimental results show that the proposed method is effective and reliable, and can achieve satisfactory image edge extraction effect.     

基于蚁群优化算法的SAR图像舰船检测研究

边缘检测作为提取图像边缘的重要方法在舰船检测中占有重要位置。采用蚁群优化算法通过调整动态阈值进行边缘检测。与传统边缘检测算子和小波变换算法对比采用蚁群优化算法进行舰船检测大大的减少了计算时间和代价,同时有效地提取了SAR图像的舰船目标和结构信息,保证了检测结果的准确性。蚁群优化算法在处理图像边缘检测等离散优化问题上具有很大的优越性,在图像处理中具有广阔的应用前景。     

蚁群算法在二维Otsu图像分割中的应用

提出了一种基于蚁群算法和二维Otsu的图像分割方法,利用蚁群算法快速寻优的特点,求出二维Otsu图像分割的阈值分割点,对图像进行分割。根据源图像和邻域平滑后图像的灰度,以及灰度频数进行聚类。通过灰度直方图的峰值点设置精确的初始聚类中心,解决了蚁群算法运算次数多、计算量大的问题;针对具体应用,对聚类半径、信息激素和启发引导函数进行了修正。实验表明该算法速度快、划分特性好、抗噪声能力强,可以准确地分割出目标。     

基于蚁群寻路的图像分割算法

文章主要是对蚁群算法做了一定的改进,将它用于图像分割,然后将分割出来的图像的边界利用腐蚀算法进行细化以达到更好的分割效果。分割算法可以看作一个组合优化问题,人工蚁群算法就是一种优化方法。因此,将人工蚁群算法引入到图像分割处理中完全可行。经过实验证明,该方法是完全可行的。     

基于蚁群算法的硬币识别研究

蚁群算法具有离散性、并行性、正反馈性和鲁棒性,是目前较为先进的优化算法.利用蚁群算法的聚类能力,提出一种硬币识别新方法.根据硬币图像的特点,确定了6个有效的图像纹理特征函数,通过对硬币图像的特征函数值进行蚁群聚类,可有效实现各类硬币图像的识别.实验结果表明,该算法用于硬币识别可达到100%的识别率,并且识别时间较短,是一种有效的硬币识别方法.     

一种基于小波去噪的遥感图像显著性区域检测算法

传统的图像检测方法未获取遥感图像亮度、色度、饱和度信息,图像显著性区域检测效果较差,为此,论文提出一种基于小波去噪的遥感图像显著性区域检测算法。利用小波变换的正交方式将遥感图像转换为一维图像,采用二进小波变换获取遥感图像边缘信息,根据新阈值函数去除图像边缘噪声;依据IHS变换（Intensity-Hue-Saturation）方式计算遥感图像亮度、色度、饱和度信息,并经离散小波变换计算遥感图像高、低频系数向量,通过模糊C均值聚类获取低频系数聚类数据后,利用显著性因子完成遥感图像显著性区域检测。实验结果表明：本文方法能够有效提取图像边缘信息,去除噪声能力强,所检测到的图像显著性区域层次分明,对比度较高,检测效果好。     

基于蚁群聚类和裁剪方法的RBF神经网络优化算法

提出了一种基于蚁群聚类算法和裁剪方法的RBF神经网络优化算法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法,提出一种新的聚类算法来确定RBF神经网络中基函数的位置;通过一种裁减的方法,除去对整个网络的输出贡献不是很重要的隐层单元来约简隐含层的神经元,以达到简化RBF神经网络结构的目的。对非线性函数进行逼近仿真,结果表明:优化算法有比较好的优化效果,而且,优化后的RBF神经网络的结构小,RBFNN的泛化能力得到了提高。