不同噪声下超像素FCM图像分割算法优化

图像分割经典模糊C均值(FCM)算法需要较长的运行时间。为了提高图像的分割处理精度,利用超像素方法建立了FCM聚类快速分割图像算法。通过分水岭分割算法对其进行优化处理获得快速FCM(FFCM)算法,并进行了详细的试验分析。研究结果表明：相比较多尺度分水岭超像素(MGR-WT)、稳健边缘超像素(RE-SH)方法,FFCM表现出了更优的性能。设置噪声后,FFCM算法发生了分割效果下降的现象。对于高斯与椒盐噪声,采用FFCM算法表现出了优异的概率指数(PRI)、信息误差(VOI)和全局一致性误差(GCE)性能指标,具有更稳定的分割性能。该研究对提高图像分割效果具有很好的实际应用价值。     

快速模糊C均值聚类的图像分割方法

模糊C均值(FCM)聚类算法广泛应用于图像的自动分割,但标准的FCM算法存在计算量大,运算速度慢等问题。对FCM算法进行改进,提出了一种快速FCM图像分割算法(FFCM),该算法将图像从像素空间映射到其灰度直方图特征空间,并在此基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,实验结果表明该算法能快速有效地分割图像,并具有较好的抗噪能力。     

改进的模糊C均值聚类的图像分割算法

传统FCM算法仅考虑了图像像素的灰度信息,因此在分割含噪图像时效果较差。为了克服传统FCM算法的局限性,提出一种基于空间邻域信息的二维模糊聚类算法,该算法利用图像像素灰度和邻域灰度组成的二维直方图中对角线元素受噪声影响较小,反映图像中相对稳定的信息,且运算只与图像的灰度级数目有关的特征,实现噪声图像的分割。实验结果表明,该算法在分割含噪图像时,不仅提高了传统FCM算法的分割效果,且分割速度明显加快。     

一种自适应的模糊C均值聚类图像分割方法

针对传统的模糊C均值聚类算法(FCM)在图像分割中对噪声十分敏感这一局限性,提出一种自适应的FCM图像分割方法。该方法充分考虑图像像素的灰度信息和空间信息,根据像素的空间位置自适应地计算一个合适的相似度距离来进行聚类分割图像。实验结果表明,与传统的FCM相比,该方法能显著提高分割质量,尤其是能提高对于图像噪声的鲁棒性和分割图像区域边缘的准确性。     

FCM与马氏空间约束条件下的快速图像分割技术研究*

提出了一种FCM与马氏空间约束的快速图像分割技术.在FCM图像分割算法的基础上,引入了Markov 随机场用以描述图像分割中的空间约束信息,并通过多级级联的方式获得最后的图像分割结果.这样既克服了传统模糊C均值聚类算法只考虑图像中的数值特征信息,忽略像素间的空间约束关系的缺点,又最大限度地保证了分割算法计算的简单有效性.实验证明,与其他模糊C均值聚类算法相比,本文方法有更好的可靠性与有效性.     

噪声不均条件下的模糊C均值聚类算法及应用

随着工业生产和工艺的进步,人们对产品的质量要求越来越高。为提高光缆表面瑕疵分割的效果,克服模糊C均值聚类算法对噪声敏感的不足,提出了一种新的模糊C均值聚类（FCM）的瑕疵图像分割方法。该方法一方面考虑样本的邻域像素信息,使FCM的隶属度函数中包含像素的邻域信息,另一个方面使用一种新的距离度量方式代替传统的欧式距离。利用以上两种方法来增加算法的鲁棒性,此外,通过直方图法给聚类中心赋初值,使分割效果稳定。最后,分别对CCD相机获取的光缆图像添加椒盐噪声和高斯白噪声,使用改进的FCM算法和传统的FCM算法、FCMM算法进行光缆表面瑕疵分割实验。图像和分割正确率的对比实验结果表明,使用改进的FCM算法能更好地克服噪声,精确地将瑕疵从图像上提取出来,瑕疵轮廓更为清晰,提高了光缆表面瑕疵检测的效果。     

利用邻域差异性信息的FCM改进算法

为了克服模糊C均值（FCM）无法处理图像噪声的缺点以及常用改进算法分割不足,提出了一种利用邻域差异性信息的FCM改进算法。利用高斯函数来合理刻画邻域间像素的空间位置和灰度差异特性,实现对中心像素隶属度的调整,达到分割噪声图像的目的。实验证明,该算法可以有效地处理高斯和椒盐噪声,在去除噪声的同时较完整地保留了图像的细节,其分割效果优于几种常用FCM改进算法。     

基于模糊C均值与Markov随机场的图像分割

针对传统模糊C-均值(FCM)图像分割算法没有考虑图像空间连续性的缺点，提出一种改进的空间约束FCM分割算法。该算法引入了Markov随机场理论中类别标记的伪似然度近似策略，将像素特征域相似性同空间域相邻性有机地结合起来，给出了新的像素样本聚类目标函数。实验证明，该算法能大大提高分割性能并改善分割的视觉效果。     

改进的快速模糊聚类图像分割算法

模糊C均值(FCM)聚类算法用于图像分割具有简单直观、易于实现的特点,但是存在计算量大、运算速度慢、抗噪能力差等问题,为解决上述问题提出了一种改进的快速FCM算法(FFCM),方法将空间信息融入到标准FCM算法中,将图像从像素空间映射到其厌度直方图特征空间,实现了快速聚类,然后在快速聚类的基础上,充分利用像素的邻域特性,依据最大隶属度原则,划分图像像素的类别归属,对隶属度函数做一定改进.实验结果表明,既能快速有效地分割图像,又具有较好地抗噪能力.     

一种融合多种特征的SLIC超像素图像分割方法

为进一步提高分割精度、得到视觉效果更好的分割结果，提出一种融合多种特征的简单线性迭代聚类(SLIC)算法与由FCM和PCM算法(FCM-PCM)结合的图像分割方法。算法先将局部同质性特征与纹理特征融入传统SLIC算法特征中，提出一种融合多种特征的SLIC超像素分割算法(SLICHT);然后对由SLICHT超像素分割算法得到的超像素块运用FCM-PCM算法进行聚类合并，实现图像分割。与其他图像分割方法相比，该算法的实验结果在分割精度和视觉效果方面都有很好的表现。     

Fast accurate fuzzy clustering through data reduction

Clustering is a useful approach in image segmentation, data mining, and other pattern recognition problems for which unlabeled data exist. Fuzzy clustering using fuzzy c-means or variants of it can provide a data partition that is both better and more meaningful than hard clustering approaches. The clustering process can be quite slow when there are many objects or patterns to be clustered. This paper discusses the algorithm brFCM, which is able to reduce the number of distinct patterns which must be clustered without adversely affecting the partition quality. The reduction is done by aggregating similar examples and then using a weighted exemplar in the clustering process. The reduction in the amount of clustering data allows a partition of the data to be produced faster. The algorithm is applied to the problem of segmenting 32 magnetic resonance images into different tissue types and the problem of segmenting 172 infrared images into trees, grass and target. Average speed-ups of as much as 59-290 times a traditional implementation of fuzzy c-means were obtained using brFCM, while producing partitions that are equivalent to those produced by fuzzy c-means.     

一种面向大数据的快速自动聚类算法

针对大数据环境下高维数据聚类速度慢、准确率低的问题,提出了一种面向大数据的快速自动聚类算法(FACABD)。FACABD聚类算法利用谱聚类算法对大数据集进行归一化和列降维,提出了一种新的快速区域进化的粒子群算法(FRE-PSO),并利用该算法进行行降维;然后在降维处理后的数据基础上,引入聚类模糊隶属度基数,自动发现簇的数目,根据类簇数目,采用FRE-PSO算法结合模糊聚类算法快速完成自动聚类。在人工生成数据集和UCI机器学习数据集上的实验结果表明,该算法能够在数据驱动下快速自动聚类,有效地提高了运行速度和精度。     

新的鲁棒模糊C-均值聚类分割算法及其应用

针对Krinidis和公茂果等提出的系列鲁棒模糊局部C-均值聚类算法存在聚类中心迭代公式缺乏严格数学理论基础的不足,于是将其聚类目标函数及其约束条件采用拉格朗日乘子法进行严格数学推导,从而获得最优解逼近的隶属度和聚类中心迭代表达式,并通过多次循环迭代实现图像聚类分割。实验结果表明,本文所建议的鲁棒模糊局部C-均值聚类分割算法是有效的,相比现有鲁棒模糊局部C-均值聚类分割算法更适合复杂遥感等图像的分割需要。     

正则化图形模糊聚类及鲁棒分割算法

针对现有图形模糊聚类算法合理性差和抗噪能力弱的问题，提出嵌入对称正则项的图形模糊聚类鲁棒算法。将样本聚类所对应的中立度与拒分度相结合构造对称正则项，嵌入现有图形模糊聚类所对应的目标函数；同时，利用像素邻域所对应的均值信息辅助当前像素聚类并构造了空间信息约束正则项，采用拉格朗日乘子法获得正则化图形模糊聚类鲁棒分割算法。不同噪声干扰图像分割结果表明，所建议的分割算法是有效的，相比现有的鲁棒模糊聚类分割算法具有更强的抑制噪声能力。     

模糊C均值聚类算法在Web使用挖掘上的应用研究

Web日志中含有大量的用户浏览信息,从中将相似用户及相关页面进行聚类是建立自适应网站的必要前提。通过基本的预处理,实现了日志的数据净化、用户识别会话识别及数据规约,形成了用户访问页面的序列数据库,同时通过离散化技术计算出用户访问页面频度。在这些数据准备工作的基础上,构造了用户一页面关联矩阵,作为改进的模糊C均值聚类算法的输入,实现了相似用户及相关页面的聚类。实验表明改进的FCM算法的有效性。     

基于模糊聚类分析和HVS的自适应彩色图像水印算法

结合模糊C均值聚类算法和人眼视觉特性,提出了一种新的自适应彩色图像水印算法。首先,将彩色图像经模糊聚类分析,选取出适合于水印嵌入的位置;然后,分别在R、G、B 3个通道中利用小波域的视觉掩蔽特性自适应地修改水印嵌入强度,提取时,不需要用到原始图像。实验结果证明,含水印的彩色图像没有出现任何可感知的视觉失真,同时,该算法对一定的图像处理操作具有较强的鲁棒性。     

基于GFCMA算法的医学彩色图像分割

医学图像分割是医学图像分析的关键步骤,经典的模糊C-均值聚类算法(FCM)是常用方法,但其依赖于初始聚类中心的选择,通常存在局部收敛的缺陷。通过与遗传算法(GA)结合而成的遗传模糊C-均值聚类算法(GFCMA),采用RGB颜色空间,能够得到全局最优解,并在此基础上实现了医学彩色图像分割和特定目标提取,取得良好分割效果。     

Texture segmentation by frequency-sensitive elliptical competitive learning

In this paper, a new learning algorithm is proposed with the purpose of texture segmentation. The algorithm is a competitive clustering scheme with two specific features: elliptical clustering is accomplished by incorporating the Mahalanobis distance measure into the learning rules and under-utilization of smaller clusters is avoided by incorporating a frequency-sensitive term. In the paper, an efficient learning rule that incorporates these features is elaborated. In the experimental section, several experiments demonstrate the usefulness of the proposed technique for the segmentation of textured images. On the compositions of textured images, Gabor filters were applied to generate texture features. The segmentation performance is compared to k-means clustering with and without the use of the Mahalanobis distance and to the ordinary competitive learning scheme. It is demonstrated that the proposed algorithm outperforms the others. A fuzzy version of the technique is introduced, and experimentally compared with fuzzy versions of the k-means and competitive clustering algorithms. The same conclusions as for the hard clustering case hold.     

改进的遗传模糊聚类算法对医学图像的分割

利用遗传算法全局随机搜索的特点，可以解决模糊C均值聚类（FCM）算法在医学图像分割中容易陷入局部最优解的问题，但确定遗传算法的初始搜索范围时，需要借助于人的经验。为此，用收敛速度快的硬聚类算法得到的聚类中心作为参考，上下浮动划出一个较小的数据范围，作为遗传算法的初始搜索空间。该方法在避免FCM算法陷入局部最优化的同时，也加速了遗传算法的收敛过程。实验表明，该方法相对于标准的遗传模糊算法，效果要好得多。     

Factor Analysis Latent Subspace Modeling and Robust Fuzzy Clustering Using $t$-Distributions

Factor analysis is a latent subspace model commonly used for local dimensionality reduction tasks. Fuzzy $c$-means (FCM) type fuzzy clustering approaches are closely related to Gaussian mixture models (GMMs), and expectation--maximization (EM) like algorithms have been employed in fuzzy clustering with regularized objective functions. Student's $t$ -mixture models (SMMs) have been proposed recently as an alternative to GMMs, resolving their outlier vulnerability problems. In this paper, we propose a novel FCM-type fuzzy clustering scheme providing two significant benefits when compared with the existing approaches. First, it provides a well-established observation space dimensionality reduction framework for fuzzy clustering algorithms based on factor analysis, allowing concurrent performance of fuzzy clustering and, within each cluster, local dimensionality reduction. Second, it exploits the outlier tolerance advantages of SMMs to provide a novel, soundly founded, nonheuristic, robust fuzzy clustering framework by introducing the effective means to incorporate the explicit assumption about Student's $t$ -distributed data into the fuzzy clustering procedure. This way, the proposed model yields a significant performance increase for the fuzzy clustering algorithm, as we experimentally demonstrate.