基于改进局部特征分布的图像分类方法

提出一种概率签名的图像分布描述及对应的图像分类算法．算法首先通过高斯混合模型建立图像局部特征分布,然后以混合模型中各个模式的均值为聚类中心,以图像中满足约束条件的局部特征对相应模式的后验概率之和为聚类大小来形成初始的概率签名,最后执行一个压缩过程确定最终的概率签名特征,并通过训练基于Earth Mover's Distance (EMD)核的SVM分类器完成图像分类．概率签名允许一个局部特征对多个聚类做出反映,可以编码更多判别信息以及从视觉感知上捕捉更多的相似性．通过与其它图像分类方法在场景识别和对象分类两项任务上的对比实验,验证了文中提出的分类方法的有效性．     

基于概率超图聚类的关键帧提取方法

现有聚类方法在提取关键帧时存在着划分敏感、无法表达镜头内大量帧图像高次相关关系等问题。鉴于此,提出基于概率超图聚类的关键帧提取方法。该方法首先构建镜头帧概率超图,然后使用概率超图谱的聚类学习算法对镜头中的帧图像进行聚类,最后选取各聚类中心的帧图片作为该镜头的关键帧。实验表明,该方法计算简单,所提取的关键帧准确性高,提取结果能够更好地反映视频的主要内容。     

一种新的基于语义聚类和图算法的自动图像标注方法

针对图像检索中的语义鸿沟问题,提出了一种新颖的自动图像标注方法。该方法首先采用了一种基于软约束的半监督图像聚类算法(SHMRF-Kmeans)对已标注图像的区域进行语义聚类,这种聚类方法可以同时考虑图像的视觉信息和语义信息。并利用图算法——Manifold排序学习算法充分发掘语义概念与区域聚类中心的关系,得到两者的联合概率关系表。然后利用此概率关系表标注未知标注的图像。该方法与以前的方法相比可以更加充分地结合图像的视觉特征和高层语义。通过在通用图像集上的实验结果表明,本文提出的自动图像标注方法是有效的。     

基于自适应滤波的快速广义模糊C均值聚类图像分割

快速广义模糊C均值聚类(FGFCM)在对高噪声图像进行聚类分割时,噪声容易导致聚类中心发生偏移,影响图像分割结果.为此,文中提出基于自适应滤波的快速广义模糊C均值聚类算法,用于图像分割.首先根据非局部像素的噪声概率自适应确定参数平衡因子,更准确地反映图像包含的空间结构信息.然后利用该平衡因子有效结合FGFCM中的线性加权和滤波图像与原始图像的中值滤波图像,由于得到的自适应滤波图像根据图像中像素为噪声的概率自适应确定滤波程度,因此可以提高算法对噪声的动态抑制能力.实验表明,相比模糊C均值聚类和FGFCM,文中算法在对噪声含量较高的图像进行聚类分割时,可以得到更准确的结果.     

基于颜色量化与聚类的图像检索算法

本文给出一种基于颜色的图像检索算法,将DSQ量化与CLQ聚类算法相结合建立图像颜色直方图.避免了动态聚类算法对初始聚类类别数及相应聚类中心敏感,影响聚类结果.该算法首先采用DSQ对图像颜色进行初始量化,确定初始聚类中心;然后在此初始聚类中心基础上进行GLQ聚类;最后,采用对称相似度算法利用颜色直方图进行图像相似性匹配.试验证明,算法对图像有较好的检索性能.     

一种融合Canny和改进ISODATA的砾岩图像分割算法

针对基于边缘流和传统ISODATA（迭代自组织的数据分析算法）相融合的算法对砾岩图像进行分割时存在速度慢、分割不准确的问题,提出了一种融合Canny和改进ISODATA聚类相结合的砾岩图像分割算法。该算法将图像从RGB色彩空间转换到Lab色彩空间,利用Canny算子对砾岩图像的L分量进行边缘提取,得到过分割图像;运用改进的ISODATA聚类算法进行聚类,得到聚类图像,消除了Canny算子的过分割问题。在砾岩图像的分割应用中,该算法取得了较好的分割效果。     

彩色图像色彩聚类算法研究

在介绍图像色彩自适应聚类算法的分析的同时,进行针对任意真彩色图像进行色彩聚类的算法。设计一种能够将BMP格式的真彩色图像进行色彩聚类处理,形成基本不失真的、最多具有256种色彩的伪彩色图像算法。     

一种基于遗传算法的骨髓细胞图像分割方法

本文设计了一种基于熵的遗传聚类分割算法。该方法以像素的灰度值为特征向量进行编码，利用直方图熵法准则函数作为适应度函数，采用基于排名的选择操作，以一定的概率进行算术交叉和变异，并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割，获得了较好的分割效果。     

一种特征加权犉犆犕算法的图像重建技术研究

针对传统ＦＣＭ（Ｆｕｚｚｙ犆ｍｅａｎｓ）算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的ＦＣＭ 聚类算法．通过在ＲＧＢ（ＲｅｄＧｒｅｅｎＢｌｕｅ）色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心．实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义．     

DMGA-FCM:衍生多种群遗传进化的FCM自适应聚类算法

模糊C均值聚类(Fuzzy C-means Clustering, FCM)算法是分析医学数据的重要方法之一，FCM的聚类效果容易受初始聚类中心的影响；诸多研究人员往往采用多种群遗传算法(Multiple Population Genetic Algorithm, MPGA)解决上述问题，但MPGA的全局搜索能力不足并缺少自适应性、易过早收敛、初始聚类中心不佳.为此，本文提出一种DMGA-FCM:衍生多种群遗传进化(DMGA)的FCM自适应聚类算法.在DMGA-FCM中，本文首次提出的衍生算子，对初始化种群进行衍生操作，提升算法寻优能力，处理种群间寻优能力不足；利用模糊控制动态调节遗传概率，以提升算法自适应性，进而增强DMGA算法全局寻优能力，避免过早收敛；用DMGA优化FCM算法的初始聚类中心，以提升算法聚类效果.在仿真实验中，本文将该算法与其他相关FCM算法进行对比，可得到更优的医疗数据聚类效果和图像聚类分割效果.     

基于改进的免疫模糊聚类方法的医学图像分割

传统模糊C-均值聚类算法需要输入初始聚类中心,但是输入错误的初始聚类中心会产生较差的图像分割结果。对此提出一种改进的医学图像分割算法——基于免疫模糊聚类的医学图像分割。该算法能够快速有效地找出合适的初始聚类中心值,使之最大可能地趋近于理想值,从而大大提高算法的效率,避免陷入局部解。同时,将免疫克隆选择算法融入到模糊聚类算法中。实验结果表明,该算法能快速有效地找到合适的初始聚类中心,能有效提高搜索效率和准确率,得到较理想的分割效果。     

信息熵和信息瓶颈算法在图像聚类中的应用

提出基于信息熵特征选择和信息瓶颈算法的图像聚类算法,首先提取图像的Gabor小波纹理特征和灰度共生矩阵纹理特征,然后采用信息熵特征选择方法进行特征降维;图像聚类方法很多,其中较为典型的k-means聚类算法,但它过分依赖距离函数和聚类中心的选择,采用信息瓶颈算法对图像进行聚类,信息瓶颈算法不需要定义距离函数,它考虑了样本与特征的关系,不仅压缩了样本的信息,同时又考虑保留特征信息。实验结果表明,提出的方法具有良好的聚类效果。     

基于类间极大化的PCM聚类技术的图像分割方法

在图像分割的多种方法中,模糊C均值（FCM）聚类是最简单有效的。可能性C-均值算法（PCM）作为FCM的同类算法具有更佳的聚类性能和概率解释性,但无论是FCM还是PCM均受隶属度的约束影响使其对噪声点和野值点较为敏感。针对以上问题,提出了一种新的称之为类间极大化的PCM算法（MPCM）聚类算法。该算法考虑了对类间的惩罚,通过调控参数[λ],拉大类中心之间的距离,实现图像中像素点的最佳分类。给出了人工合成纹理图像、真实图像以及带有椒盐噪声的真实图像的实验,结果表明算法在图像分割效果上优于传统的聚类分析算法。     

基于改进K均值聚类算法的星点聚类研究

针对高分辨率天文图像中的星点聚类研究中存在的 2 个问题：①天文图像的分辨率 较高,且图像处理速度较慢;②选取何种聚类算法对天文图像中的星点进行聚类分析效果较好。 在研究中,问题 1 采用图像分块的方法提高图像的处理速度;问题 2 提出了一种改进的 K 均值聚 类算法,以解决传统的 K 均值聚类算法的聚类结果易受到 k 值和初始聚类中心随机选择影响的问 题。该算法首先在用 K 均值聚类算法对数据初步聚类的基础上确定合适的 k 值,其次用层次聚类 对数据聚类确定初始聚类中心,最后在此基础上再采用 K 均值聚类算法进行聚类。通过 MATLAB 仿真实验的结果表明,该算法的聚类结果与效率优于其他聚类算法。     

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.     

结合非局部均值的快速FCM算法分割MR图像研究

针对FCM算法分割医学MR图像存在的运算速度慢、对初始值敏感以及难以处理MR图像中固有Rician噪声等缺陷,提出了一种结合非局部均值的快速FCM算法。该算法的核心是首先针对MR图像中存在的Rician噪声,利用非局部均值算法对图像进行去噪处理,消除噪声对分割结果的影响;然后根据所提出的新的自动获取聚类中心的规则得到初始聚类中心;最后将得到的聚类中心作为快速FCM算法的初始聚类中心用于去噪后的图像分割,解决了随机选择初始聚类中心造成的搜索速度慢和容易陷入局部极值的问题。实验表明,该算法能够快速有效地分割图像,并且具有较好的抗噪能力。     

基于遗传模糊核聚类的图像分割

针对红外图像的特点和模糊聚类算法对噪声、初始聚类中心敏感等问题,提出一种遗传模糊核聚类算法.该算法对红外图像像素灰度值进行全局的聚类分析并计算最优的聚类中心和隶属度矩阵,根据聚类结果和最大隶属度原则进行红外图像分割.通过实验验证,文中算法能较好地分割含高斯噪声、背景简单或复杂的红外图像.     

一种特征加权犉犆犕算法的图像重建技术研究

针对传统ＦＣＭ（Ｆｕｚｚｙ犆 ｍｅａｎｓ）算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的ＦＣＭ 聚类算法．通过在ＲＧＢ（ＲｅｄＧｒｅｅｎＢｌｕｅ）色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心．实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义．

     

基于自组织神经网络的彩色图像自适应聚类分割

针对一般聚类分割算法对于色彩丰富、背景复杂的图像容易造成聚类重叠，引起像素错误分类的缺点，提出一种新的基于自组织特征映射神经网络的彩色图像分割方法．首先利用各像素的RGB值作为输入样本对网络进行训练，然后根据竞争层特征映射点的密度分布图，利用自组织映射分析的方法，确定图像颜色的聚类数和聚类中心，最后利用距离竞争取胜的原则处理每个像素，从而实现彩色图像的区域分割．通过实例验证，该方法能够较好地完成彩色图像的自适应聚类分割，处理效果良好．     

基于自适应蚁群的FCM聚类优化算法研究

模糊C均值聚类算法在算法初始化时需要人为设定聚类类别数、随机初始化聚类中心,致使该算法容易陷入局部最优值.为解决此类问题,在蚁群算法中引入信息素更新机制,使其输出的聚类中心更具全局优化的特征和较强鲁棒性的特点;用蚁群算法得到的聚类中心来初始化FCM算法的聚类中心,解决了FCM算法对初始聚类中心敏感的问题;使用结合熵信息与数据几何结构的聚类有效性评价方法对FCM算法和优化FCM算法进行评价,评价结果表明优化的FCM算法性能更优.在仿真实验中,利用提出的优化算法和FCM算法对自然图像、纹理图像和SAR图像进行分割实验,从图像分割的准确性和算法的实时性做对比实验,验证了优化算法的有效性.