模糊C-均值聚类图像分割算法的一种改进

针对传统模糊C-均值聚类算法对含噪图像分割时未充分考虑空间信息的问题,提出一种改进的模糊C-均值聚类算法,将图像的局部和非局部两种空间信息引入到模糊C-均值聚类算法的目标函数中,以使两种空间信息在含噪图像分割中发挥互补作用。将改进算法应用于不同含噪图像的分割实验,结果表明图像像素的均方误差均比改进前有所降低。     

改进的核空间直觉模糊C-均值聚类分割算法

针对鲁棒模糊局部信息C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的核空间直觉模糊C-均值聚类算法。将像素空间邻域信息和直觉指数引入到鲁棒模糊局部信息C-均值聚类目标函数,给出改进的像素空间邻域信息约束的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,以便提高图像局部信息的有效分割能力。实验结果表明,改进的核空间直觉模糊聚类分割算法相比现有鲁棒模糊局部信息C-均值聚类分割算法能获得更好的分割效果。     

显著信息引导的直觉空间模糊聚类图像分割

为克服直觉模糊C-均值(IFCM)聚类算法应用于图像分割时,易受噪声影响,且对聚类中心初始值敏感的缺陷,给出显著信息引导的直觉空间模糊聚类图像分割方法。使用图像的显著信息初始化聚类中心,能够很大程度地防止算法陷入局部最优;将改进的融合局部空间信息的模糊因子引入到IFCM聚类算法中,可提升算法的抗噪性能。实验结果表明所给方法能在多种含噪声图像上得到较好的分割效果。     

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.     

基于显著性检测的极光弧分割算法

针对全天空极光图像低对比度、边缘模糊的特点,提出一种基于显著性检测的极光弧分割算法。通过直方图统计全天空极光图像视野内的灰度信息,计算出视野内像素间的欧氏距离,以凸显极光弧区域,并生成极光弧显著图,再利用模糊C均值聚类分割算法对显著图进行分割,得到极光弧分割结果。采用中国北极黄河站观测的2000余张极光弧图像进行实验,视觉效果及利用分割图计算极光弧倾斜角与人工标注的对比结果均表明,与基于显著性的分割算法与最大类间方差法、模糊C均值聚类法、局部模糊C均值聚类法等分割算法相比较,具有较好的抗噪声性能和分割结果。     

一种改进的模糊聚类图像分割算法

为了提高强噪声污染图像分割的鲁棒性,给出一种改进的非局部模糊聚类图像分割算法。改进算法将模糊因子的局部邻域值替换为非局部均值滤波图像的像素值,并加入局部空间信息,产生新的目标函数。借助拉格朗日乘子法,从最小化目标函数得出隶属度和聚类中心的迭代公式,进而完成图像分割。对合成图像、医学图像和自然图像添加高斯噪声、莱斯噪声和椒盐噪声,用于分割测试,结果显示,改进算法对强噪声图像具有更高的正确分割率和较小的模糊性。     

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.     

基于噪声距离的低对比度图像抗噪分割算法

针对核空间模糊局部信息C-均值聚类算法(KWFLICM)对低对比度图像抗噪性差的不足,提出一种基于噪声距离的核空间模糊局部信息C-均值聚类算法。该算法在KWFLICM算法的基础上改变隶属度约束条件并引入噪声距离δ获得一种改进的聚类目标函数,并借鉴现有噪声聚类思想构造出具有良好抗噪性的模糊聚类迭代隶属度和聚类中心表达式,最后给出相应的聚类分割算法。实验结果表明,该改进算法对于椒盐噪声干扰的对比度较弱的灰度图像比KWFLICM聚类分割算法更有优势。     

相对熵模糊C均值聚类分割算法

针对模糊C均值聚类分割算法无法获得复杂图像的细节信息问题,提出一种相对熵模糊C均值聚类分割算法。该算法利用划分隶属度构造相对熵,对传统模糊C均值聚类进行正则化约束,将其作为正则化因子添加到传统FCM的目标函数,得到新的聚类目标函数。通过拉格朗日乘子最优化推导,得到新的隶属度和聚类中心的迭代更新表达式。实验结果表明,该算法对于图像与背景灰度相近的复杂图像可以清晰的分割出图像的轮廓,也比FCM方法获得更多的图像细节信息。     

基于空间信息及隶属度约束的FCM图像分割算法

针对传统的模糊C均值(FCM)算法在图像分割方面存在的缺点,提出一种基于空间信息及隶属度约束的FCM图像分割算法.该算法在传统FCM算法的目标函数中引入图像空间信息及对隶属度的约束,使得到的聚类中心更加合理,并且增强了算法对噪音的鲁棒性.实验结果表明,本算法可以有效地提高图像分割的质量.     

基于超像素和密度峰值聚类的图像分割

图像分割是计算机视觉领域的一个重要组成部分。密度峰值聚类已应用于图像分割领域。但由于密度峰值聚类在聚类时只能考虑数据的全局空间信息，不能有效去除图像噪声，因此提出了一种超像素的图像预处理方法。该方法能充分考虑局部空间信息，具有较强的鲁棒性。通过改进的形态梯度重建和分水岭算法得到具有精确轮廓且去噪效果较好的超像素图像。在此基础上，加入密度峰值聚类完成后续分割。通过在光学图像数据集BSDS 500上进行实验，验证了超像素算法及图像分割算法的有效性。     

加权空间函数优化FCM的SAR图像分割

传统模糊c-均值聚类算法没有考虑图像像素空间信息特征,在应用于合成孔径雷达图像分割时,由于合成孔径雷达图像中斑点噪声的影响,通常不能得到正确的分割结果．基于此问题提出加权空间隶属度和加权空间函数并应用于c-均值聚类算法,加权空间隶属度是多尺度条件下空间各相邻像素的位置和强度信息的加权隶属度值,加权空间函数中各加权空间隶属度的影响系数由自适应遗传算法优化,最终的隶属度值由加权空间函数修正．由于在这种聚类过程中融入了优化的空间信息,因此弱化了斑点噪声的影响,提高了分割精度．这种算法应用于实际合成孔径雷达图像分割实验,结果表明此算法对初始分类结果不敏感,具有较强的抗噪性能,改善了SAR图像的分割结果．     

改进的基于遗传模糊C均值聚类的图像分割算法

模糊C均值（Fuzzy C-Means,FCM）聚类算法已广泛应用于图像分割领域,其本质是一种局部搜索算法,采用迭代爬山算法寻找最优解,对初始聚类中心敏感,很容易陷入局部极优值,且没有考虑图像的空间邻域信息,对噪声敏感。本文提出了改进的基于遗传模糊聚类的图像分割算法,利用遗传算法的全局寻优能力来克服FCM算法容易陷入局部极优值问题;并在FCM算法的目标函数中添加空间邻域信息来约束隶属度函数从而提高对噪声的鲁棒性,使分割更加符合期望。实验结果表明本文算法的有效性,图像分割时具有较强的抗噪能力和较好的分割效果。     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊C均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值．文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO—FCM）．利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题。同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM进行图像分割．实验表明,该方法能解决FCM算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果．     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值（FCM：FuzzyC—Means）聚类算法应用于图像分割时,因对噪声较敏感而达不到理想的分割效果。为此,提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数,提高对图像噪声的鲁棒性,使分割的结果更加符合期望。实验结果表明,该算法对噪声具有较强的抑制能力,图像分割时能获得较好的分割效果。     

New two-dimensional fuzzy C-means clustering algorithm for image segmentation

To solve the problem of poor anti-noise performance of the traditional fuzzy C-means （FCM） algorithm in image segmentation, a novel two-dimensional FCM clustering algorithm for image segmentation was proposed. In this method, the image segmentation was converted into an optimization problem. The fitness function containing neighbor information was set up based on the gray information and the neighbor relations between the pixels described by the improved two-dimensional histogram. By making use of the global searching ability of the predator-prey particle swarm optimization, the optimal cluster center could be obtained by iterative optimization, and the image segmentation could be accomplished. The simulation results show that the segmentation accuracy ratio of the proposed method is above 99%. The proposed algorithm has strong anti-noise capability, high clustering accuracy and good segment effect, indicating that it is an effective algorithm for image segmentation.     

基于空间分布支持向量机的图像分割

利用模糊聚类与支持向量机结合的方法,将图像的空间分布信息作为支持向量机的特征分量,并用模糊聚类获得的分类结果作为支持向量机的初始训练样本对图像的所有像素点进行分类,同一类中的像素点形成一个分割区域,以此获得图像分割.实验表明,该方法获得的图像分割效果较好,在一定程度上解决了特征维数过大所导致的维数灾难问题.