基于贪心算法的快速模糊连接度图像分割

提出一种基于Dijkstra的贪心算法来实现模糊连接度的快速计算方法。每次寻找全局最优解,并从两个方面减少迭代次数来加快运算速度。首先,通过统一根节点模糊连接度的方式,去掉原始Dijkstra算法的更新操作,每个像素点一次即可完成模糊连接度的计算。其次,每一次迭代可以实现多个像素点模糊连接度的计算。通过真实医学图像测试表明,与其他改进算法相比,其分割速度明显加快,且不影响其分割精度。     

一种改进的模糊连接度图像分割方法

本文对模糊连接度的理论框架进行了扩展,在框架内引入了图论中的有向图和森林等概念。把图像定义为一个有向图,有向图的结点是图像的像素点,有向图的弧是相邻像素的边,树的根结点是人工给出的种子点,所有像素点到种子点的模糊连接路径组成了模糊连接森林,模糊连接森林给出了图像的分割。实验结果表明本文方法比相对模糊连接度方法得到更好的结果。     

基于模糊连接度的交互式CT图像分割算法

如何准确地从CT图像中提取出感兴趣的组织,是医学图像分割中的难点。提出了一种基于模糊连接度的交互式CT图像分割算法：先根据用户指定的感兴趣区域的灰度范围预分割图像,然后用户从结果图像中选择目标和背景种子点,计算出各像素点与两类种子点的模糊连接度,最后根据连接度大小将像素点划分到目标或背景区域。分割过程中,用户可以通过增设或删除目标或背景种子点,修正分割的结果。实验表明,该算法能准确有效地分割出感兴趣区域。     

模糊连接算法在虚拟人图像分割上的应用

为实现对数字虚拟人彩色切片的分割，提出了一种基于竞争机制的相对模糊连接分割方法。首先计算所有像素与分割目标的模糊连接度，在分割结果出现过度分割时，则利用相对分割目标加入对感兴趣区域的竞争，自动重新确定各像素的连接度。采用虚拟中国人数据集的切片进行实验，结果表明，该算法能在待分割对象边界比较模糊的情况下取得理想的结果。     

基于注意计算模型的医学图像模糊连接度分割

用模糊连接度分割图像时,种子点多以聚类分析方法自动给定,本文分析了传统聚类法存在的问题,在人类视觉活动机制的启发下,提出新的完全不同于聚类方法的视觉显著点注意引导下的图像分割方法.将图像特征显著点的定位转化为概率密度估计问题,引入新的注意计算模型并结合Mean-Shift处理得到关键特征点.注意模型的特征地图采用图像灰度的对比度构成,迭代计算高斯邻域显著度.从密度估计的角度定位显著点,克服以往偏生理注意模型对定量描述的能力不足,尤其适用医学模糊图像.新的方法能完全自动地定位种子点,有效地分割模糊医学图像,提高准确率.     

用于血管图像分割的简化模糊连接算法

血管系统成像在外科手术计划和血管疾病的诊断等方面都起着极其重要的作用．通过对模糊连接算法的分析和改进，提出一种简化的模糊连接算法，使运算时间得到了缩短，运算速度得到了提高．将该算法应用到实际的血管图像分割中，取得了比较满意的分割效果，三维重构的结果显示也比较好。     

一种基于模糊连通度的图像阈值分割算法

提出一种新的图像阈值分割方法。该方法给出模糊连通度定义,采用图像划分测度作为区分目标和背景的阈值分割准则,在计算图像划分测度时,采用基于灰度级的权值矩阵代替常用的基于像素的权值矩阵来描述图像中各像素之间的关系,从而减小算法实现的复杂性,提高算法运算速度。仿真实验结果表明,与大多数模糊阈值分割方法相比,该方法更具优越性。     

基于图割和模糊连接度的交互式舰船红外图像分割方法

针对舰船红外图像分割中的低对比度、边缘模糊和目标灰度不均匀问题, 提出了基于图割和模糊连接度的交互式图像分割方法. 交互方式为矩形笔刷, 选择目标和背景种子点. 分割方法为基于图割的图像分割方法, 引入模糊连接度来计算图割的似然能, 给出了模糊连接度权重的自动确定方法, 提出了基于直方图分解的高斯混合模型(Gaussian mixture model, GMM)成分个数和参数估计方法. 仿真结果表明, 新方法可实现各种复杂环境下舰船红外图像目标的有效分割.     

基于模糊连接度的近邻传播聚类图像分割方法

针对现有近邻传播聚类图像分割方法分割精度低的问题,提出一种基于模糊连接度的邻近传播聚类(FCAP)图像分割算法。针对传统模糊连接度算法不能得出任意点对间模糊连接度的不足,结合最大生成树提出了全模糊连接度算法。FCAP算法先使用Normalized Cut超像素技术进行超像素分割,这些超像素可以看作数据点以及它们之间的模糊连接度;然后使用所提出的全模糊连接度算法计算超像素间的模糊连接度,根据模糊连接度和空间信息计算超像素的相似度;最后使用近邻传播(AP)聚类算法完成分割。实验结果表明,FCAP算法明显优于超像素处理后直接使用AP聚类算法进行分割的方法,并且优于无监督图像分割方法。     

遗传模糊连接法在CAG图像分割中的应用

鉴于模糊连接法分割连通物体的优势及冠脉造影（CAG）图像中血管连通的特点,用模糊连接法来分割CAG图像。模糊连接法在实现上存在困难,提出将遗传算法与模糊连接相结合来解决这一问题。首先指定目标物体上一点作为种子点。然后根据给定的模糊亲和度公式,用遗传算法求出任意点到种子点的模糊连接度。最后设定阈值,将模糊连接度高于阈值的点按原值显示,其他点置为背景,即可得到分割结果。实验结果表明,该方法能快速准确将血管提取出来,为二维CAG图像的自动诊断及可视化提供了依据。     

基于Type-2模糊聚类的图像分割算法

模糊C均值算法是图像分割的常用方法,但该算法对噪声非常敏感。为此,提出一种新算法,在模糊C均值算法基础上引进Type-2模糊理论,以提高算法的分割准确性和鲁棒性。该算法对模糊C均值算法中每一个样本的隶属度进行分段线性拉伸,利用拉伸的结果作为一个新的隶属度函数,并用该函数对图像进行分割。实验结果表明,该算法准确性较高,且具有良好的抗噪能力。     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法,该方法先采用C均值聚类算法对含噪图像进行初步分割,再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点,可以灵活地用在基于多特征和多阂值的图像分割中,另一方面充分考虑了图像的区域信息,利用模糊熵最小作为准则,对c均值聚类算法初步分割结果的错分类点作了进一步的处理,克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明,本文方法在运算开销上只比C-均值聚类算法多4～6S,对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合，是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率，提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制；然后通过塔形分解来缩减聚类样本集；最后利用加权FCM聚类算法进行分类。仿真结果表明，该方法的效率明显优于标准的FCM算法。此外，为确定分割的最优类别数c，还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度，实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

基于改进模糊聚类算法鲁棒的图像分割

对噪声图像提出了一种改进的模糊聚类分割算法。因为模糊C均值聚类(FCM)算法具有对噪声数据敏感的缺点,该算法通过提升意义更趋明晰的模糊隶属度来改变模糊聚类中的目标函数,即通过在标准的FCM算法中使用到类的Voronoi cell的距离来取代到类的原型的欧氏距离,从而增强了聚类结果的鲁棒性。实验结果表明,改进的算法较之于FCM对于噪声图像的分割有更好的鲁棒性。     

一种改进的基于模糊聚类的图像分割方法

针对亮度不一致的阴影路面的目标分割问题，对使用空间关系约束的模糊聚类算法进行了改进，即首先定义了像素之间以及像素与区域之间的近邻关系，并构造了像素与区域之间的空间关系隶属度矩阵，然后将此矩阵约束到传统的模糊C-均值聚类算法的隶属度矩阵中，最终形成了基于空间关系约束的模糊聚类算法。该算法只需设置很少的参数即可自动完成聚类。该算法在受光照影响导致目标亮度不一致的林荫道道路图像中进行了实验。实验结果表明，该算法对机器人导航中阴影路面的一致性分割方面具有良好的效果。