一种嵌入局部信息的快速KFCM聚类分割算法

针对核空间模糊局部C-均值聚类分割算法时间复杂性过大而不适合实时场合图像分割需要的问题,提出了一种核空间局部模糊C-均值聚类分割的快速算法。利用像素与其邻域像素之间的空间距离信息和灰度方差信息构造一种加权共生矩阵;将图像像素的一维直方图以及像素与邻域像素之间的二维共生直方图相结合构造了一种新的核空间模糊C-均值聚类分割目标函数,并对其推导获得隶属度和聚类中心迭代表达式;将图像像素采用该算法聚类所得隶属度进行邻域滤波处理,以便改善该算法的抗噪性能。实验结果表明,该分割算法相比核空间局部模糊C-均值聚类分割更有利于实时场合和大幅面图像分割的需要。     

模糊聚类方法在医学病理图像分类中的应用

图象分割和对象提取是从图象处理到图象分析的关键步骤。本文将经典的模糊C-均值聚类算法和模糊测度和模糊积分结合起来,并将这两种算法应用于医学病理图象的分割。经典的模糊C-均值聚类算法采用欧式距离计算像素之间的相似度,本文中采用模糊测度和模糊积分计算像素之间的相似度,基于模糊测度和模糊积分的特点,这种计算方法可以提高计算的准确度。最后对两种算法的处理结果进行了比较,结果表明改进的模糊C-均值算法对医学病理图像的分割效果比原算法有所改进。     

一种快速的模糊局部C-均值聚类分割算法

针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。     

FCM融合改进的GSA算法在医学图像分割中的研究

医学图像由于具有复杂性,在对其进行图像分割时存在很大的不确定性,为了提高模糊c均值聚类算法(FCM)在处理医学图像分割时的性能,提出一种新的混合方法进行图像分割。利用FCM算法将图像像素分成均匀的区域,融合引力搜索算法,将改进的引力搜索算法纳入模糊c均值聚类算法中,以找到最优聚类中心,使模糊c均值聚类的适应度函数值最小,从而提高分割效果。实验结果表明,相对于传统的聚类算法,所提算法在分割复杂的医学图像方面更具有效性。     

基于MS-FCM算法的MR图像分割方法

针对传统模糊C-均值(FCM)聚类算法在分割低信噪比图像时准确性较差的问题,提出一种用于MR图像分割的改进算法MS-FCM。针对脑部MR图像相邻像素属于同一分类的模糊隶属度相近的特性,在迭代过程中对隶属度数据集进行滤波,以降低噪声对聚类精度的影响。模拟脑部MR图像和临床脑部MR图像的分割实验证明,该算法可以提高图像分割精度。     

基于空间距离的快速模糊C均值聚类算法

针对传统的模糊C均值聚类算法在进行图像分割时对孤立点、噪声点敏感性较强,聚类耗时随图像变大而快速增长等缺陷,基于临近元素空间距离的模糊C均值聚类算法即SFGFCM算法,采用核化的空间距离公式,计算出空间临近像素与考察像素的相似度Sij,然后用邻近像素灰度加权和计算出邻近信息制约图像,并进一步在邻近信息制约图像的灰度级统计的基础上进行聚类。该算法考察了临近像素灰度和位置等信息,并且它们之间取得了很好的平衡;不仅表现出较强的鲁棒性且很好地保留了原图像边缘等细节信息,提高了聚类精度,同时大大缩短了大幅图像的聚类时间。通过在合成图像、医学图像及自然图像上的大量实验,与传统算法对比该算法聚类性能明显提高,在图像分割上体现出了较好的分割效果。     

基于微粒群优化的模糊C-均值聚类彩色图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题。为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心。由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度。实验表明,这种方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割。     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

结合形态学重建和超像素的多特征FCM分割算法

针对现有模糊聚类分割算法对噪声的鲁棒性差且提取的图像特征不充分等问题,本文提出了一种结合形态学重建和超像素的多特征模糊C-均值(FCM)分割算法.首先,利用形态学闭合重建处理原图像,提高了算法的鲁棒性和细节保护能力.其次,采用Mean-Shift方法预分割重建图像,获得一组超像素区域.再次,提取重建图像各像素的颜色特征、纹理特征和梯度特征,利用平均策略定义各超像素的颜色特征、纹理特征和梯度特征,组成多维特征向量.最后,运用最大熵正则化的加权模糊C-均值算法(EWFCM)的框架,以超像素为单位,以核诱导距离作为距离度量来聚类多维特征向量.选取BSDS300数据集中的6幅图像完成实验对比.结果表明,本文算法具有更高的分割精度.     

基于混合邻域约束项的改进FCM算法

传统模糊聚类算法在影像分割过程中仅考虑影像的光谱信息,所以对噪声比较敏感.对此,提出基于混合邻域约束项的改进模糊C均值聚类(MNCFCM)算法.首先,从隶属性及光谱属性两方面定义邻域像素关于中心像素的相似度;然后,利用线性加权的方式将从两方面定义的相似度进行融合,同时结合邻域像素到聚类中心的欧氏距离构造混合邻域约束项,并将其引入目标函数中,以平衡影像分割过程中的影像平滑及细节保留,实现对影像的更优分割;最后,通过对合成影像及真实遥感影像分割结果的定性、定量评价,验证所提出算法具有较强的鲁棒性,在降低对噪声的敏感性的同时,能够较好地保留影像细节,获得高精度的分割结果.     

双中心组合迭代抑制式模糊C-均值聚类图像分割算法

针对抑制式模糊C-均值聚类算法应用于灰度图像分割时出现收敛速度较慢和像素误判的问题,通过挖掘图像同质区域内像素间的相关性与分析像素位置对类别判定的影响,提出一种双中心组合迭代抑制式模糊C-均值聚类图像分割算法.首先在图像上经选点、扩展、提取等环节优选出较好的初始聚类中心;然后按该中心分别查找图像中灰度值与其相等的像素位置并遴选产生隐藏中心;其次采用负指数函数对像素位置与隐藏中心之间的欧氏距离进行归一化,得到位置特征;接着在对该特征赋权后直接修正模糊划分矩阵;最后结合抑制式思想进一步减少算法的迭代次数.与现有的多种相关算法进行对比,实验结果表明,所提出算法在获得致密且分离性较好聚类的同时,能够改善图像分割的准确率和执行效率.     

核空间中智模糊聚类及图像分割应用

目的 为了更有效地提高中智模糊C-均值聚类对非凸不规则数据的聚类性能和噪声污染图像的分割效果,提出了核空间中智模糊均值聚类算法。方法 引入核函数概念。利用满足Mercer条件的非线性问题,用非线性变换把低维空间线性不可分的输入模式空间映射到一个先行可分的高维特征空间进行中智模糊聚类分割。结果 通过对大量图像添加不同的加性和乘性噪声进行分割测试获得的核空间中智模糊聚类算法提高了现有算法的对含噪声聚类的鲁棒性和分类性能。峰值信噪比至少提高0.8 dB。结论 本文算法具有显著的分割效果和良好的鲁棒性,并适应于医学,遥感图像处理需要。     

基于改进像素相关性模型的图像分割算法

图像分割是计算机视觉中的研究热点和难点.基于局部信息的模糊聚类算法(FLICM)在一定程度上提升了模糊聚类算法的鲁棒性,但噪声强度较大时无法获得较好的图像分割效果.针对传统的模糊聚类算法分割精度不佳等问题,提出了改进像素相关性模型的图像分割算法.首先通过分析像素的局部统计特征,设计了一种新型的像素相关性模型,在此基础上...     

Improved fuzzy clustering algorithm with non-local information for image segmentation

Fuzzy C-means(FCM) has been adopted to perform image segmentation due to its simplicity and efficiency. Nevertheless it is sensitive to noise and other image artifacts because of not considering spatial information. Up to now, a series of improved FCM algorithms have been proposed, including fuzzy local information C-means clustering algorithm(FLICM). In FLICM, one fuzzy factor is introduced as a fuzzy local similarity measure, which can control the trade-off between noise and details. However, the fuzzy factor in FLICM cannot estimate the damping extent of neighboring pixels accurately, which will result in poor performance in images of high-level noise. Aiming at solving this problem, this paper proposes an improved fuzzy clustering algorithm, which introduces pixel relevance into the fuzzy factor and could estimate the damping extent accurately. As a result, non-local context information can be utilized in the improved algorithm, which can improve the performance in restraining image artifacts. Experimental results on synthetic, medical and natural images show that the proposed algorithm performs better than current improved algorithms.     

Improving image segmentation based on patch-weighted distance and fuzzy clustering

Image segmentation is the basis of image analysis, object tracking, and other fields. However, image segmentation is still a bottleneck due to the complexity of images. In recent years, fuzzy clustering is one of the most important selections for image segmentation, which can retain information as much as possible. However, fuzzy clustering algorithms are sensitive to image artifacts. In this study, an improved image segmentation algorithm based on patch-weighted distance and fuzzy clustering is proposed, which can be divided into two steps. First, the pixel correlation between adjacent pixels is retrieved based on patch-weighted distance, and then the pixel correlation is used to replace the influence of neighboring information in fuzzy algorithms, thereby enhancing the robustness. Experiments on simulated, natural and medical images illustrate that the proposed schema outperforms other fuzzy clustering algorithms.

     

自适应烟花算法下多维模糊C均值彩色图像分割

针对图像分割在自然场景中,分割精度不高和细节保持不够敏感,提出一种自适应烟花算法下的多维模糊C均值彩色图像分割算法。结合动态时间弯曲思想,以邻域像素相似特点构造弯曲曲线,得到多维相似距离和新的目标函数。在自适应烟花寻优算法下,找到最优聚类中心,最终达到对图像分割效果。实验表明,该算法与同类算法相比,对彩色图像有良好的分割效果,对图像的细节保持也不错。