一种快速的模糊C均值聚类彩色图像分割方法

FCM用于彩色图像分割存在聚类数目需要事先确定、计算速度慢的问题,为此,提出一种快速的模糊C均值聚类方法（FFCM）。首先,对原始彩色图像进行基于梯度图的分水岭变换,从而把原始彩色图像数据分成一些具有色彩一致性的子集;然后,利用这些子集的大小和中心点进行模糊聚类。由于FFCM聚类样本数量显著减小,因此可以大幅提高模糊C均值聚类算法的计算速度,进而可以采用聚类有效性指标确定聚类数目。实验表明,这种方法不需要事先确定聚类数目,在聚类有效性能不变的前提下,可以使模糊聚类的速度得到明显提高,实现了彩色图像的快速分割。     

自适应模糊C均值聚类彩色图像分割方法

模糊C均值聚类用于彩色图像分割具有简单直观,易于实现的特点,但存在聚类性能受中心点初始化影响且计算量大等问题,为此,提出一种自适应模糊C均值分割方法.算法根据人类的视觉特性,参照NBS距离与人类视觉对颜色差别的定量关系,结合具体图像的色彩分布,自动确定初始聚类中心及聚类数目,继而进行模糊C均值聚类.实验表明,该方法无需人为的干预,分割速度快,分割效果跟人的主观视觉感知保持了良好的一致性.     

自适应快速FCM彩色图像分割研究

模糊C均值聚类算法（FCM）广泛用于彩色图像分割,但该算法存在需要预先指定聚类数目、计算量大、耗时长且易陷入局部最优等缺点。提出一种自适应快速模糊C均值彩色图像分割方法,该方法首先运用蚁群算法,自动获取初始聚类中心和聚类数目,然后使用基于梯度的分水岭算法对原始彩色图像进行预分割,得到一系列由色彩特征空间具有一致性的点构成的子集,最后对这些子集的中心进行模糊聚类。实验结果表明：由于子集数量远小于原始图像像素数目,使聚类样本数量显著减少,大大提高了聚类速度,同时在聚类中以特征距离代替欧式距离,增强了算法的鲁棒性。     

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.     

基于小波变换和KFCM的彩色图像分割

提出一种将小波变换和核模糊C均值聚类算法相结合的快速彩色图像分割算法。利用小波变换的多分辨率特性,在分辨率最大尺度上的LL子带进行均值漂移聚类,快速获得初始粗分割结果,在其基础上进行模糊核聚类分割,将上一层的结果用于下一层的初始化,重复至最低分辨率后用最小分类器对原始图像进行最终分割。实验结果证明,该算法分割速度快,对自然彩色图像的分割结果优于模糊C均值算法和均值漂移算法。     

基于均值漂移和小波变换的彩色图像分割方法

提出一种新的彩色图像分割算法,该算法利用均值漂移算法进行初始分割,利用其分割结果确定模糊C均值聚类(FCM)算法的初始聚类中心和聚类数目,以提高FCM算法的收敛速度;利用小波变换的多分辨率特性,实现图像由粗到细的图像分割。     

基于减法聚类和快速紧密性函数的SF-FCM

首先结合减法聚类和模糊C-均值聚类各自的优点,运用减法聚类自适应地确定模糊C-均值聚类（FCM）的初始聚类数;然后,提出了改进的紧密性函数,以此改进用于确定FCM聚类结构的有效性函数.改进后的紧密性函数将对聚类结果贡献不大的数据予以剔除,使得算法适应能力更强,执行速度更快.实验结果表明,该快速紧密性函数是有效的,而且计算速度更快.     

基于模糊熵和RPCL的彩色图像聚类分割

提出了一种基于模糊熵和RPCL(rival penalized competitive learn ing)的彩色图像聚类分割算法。该算法可以自动确定图像的颜色类数目和初始类中心,从而提高了聚类的收敛速度,并且能够解决模糊熵阈值化分割算法所造成的过度分割问题。首先,计算彩色图像各颜色分量的模糊熵,获得分量模糊熵曲线,并根据模糊熵原理确定各分量的分割区域及聚类中心;然后,对各分量的聚类中心进行组合,形成彩色图像可能的聚类中心。但是,组合的聚类中心数目会多于实际的聚类数目,造成过度分割。因此,本文采用RPCL算法,对这些组合的聚类中心颜色进行学习来确定实际的颜色类数目以及聚类中心,并用学习后的聚类中心对原图像进行聚类分割。实验结果表明,该算法能有效地分割彩色图像,无需事先给定聚类数目和初始类中心。     

结合爬山法的模糊C均值彩色图像分割方法

采用传统的模糊C均值聚类(FCM)算法进行彩色图像分割存在聚类数的选取、初始聚类中心的确定、迭代过程中的大计算量及后处理等问题。在对上述问题进行研究的基础上,针对传统FCM聚类分割时初始值选取方法的盲目性和随机性,为了更准确地自动获取待分割图像聚类的初始参数,提出了一种结合爬山法的模糊C均值彩色图像分割方法(HFCM),该方法可根据待分割图像的三维颜色直方图自适应地获取FCM算法的初始聚类中心及聚类数目,同时提出一种最频滤波与区域合并相结合的新的后处理策略,有效消除了小的空间区域。实验表明,相对于传统FCM,该图像分割方法的速度较快,并且分割结果更接近人类分割效果。     

软硬结合的快速模糊C-均值聚类算法的研究

讨论的是对模糊C-均值聚类方法的改进,在原有的模糊C-均值算法的基础上,提出一种软硬结合的快速模糊C-均值聚类算法。快速模糊C-均值聚类算法是在模糊C-均值聚类算法之前加入一层硬C-均值聚类算法。硬聚类算法能比模糊聚类算法以高得多的速度完成,将硬聚类中心作为模糊聚类中心的迭代初值,从而提高模糊C-均值聚类算法的收敛速度,这对于大量数据的聚类是很有意义的。用数据仿真验证了这种快速模糊C-均值聚类算法比模糊C-均值算法迭代调整过程短,收敛速度快,聚类效果好。     

自适应FCM算法在图像分割中的应用研究

针对目前还没有较好的方法确定模糊C均值FCM聚类中C值和各个初始聚类中心这一问题,提出一种先用进化聚类快速确定初始聚类中心和聚类个数C,后用模糊C均值FCM聚类的算法,算法时间复杂度和空间复杂度与C均值FCM基本相当。应用该算法在人物图像和遥感图像中进行了分割实验验证,算法在分割的准确性和模糊边界的分隔上取得令人满意的效果。     

HSI颜色模型下基于空间信息的FCM算法

针对提花毛皮样片的花型识别技术,在HSI颜色模型下提出了一种基于空间信息的FCM图像分割算法。算法在HSI颜色模型下获得FCM算法的初始聚类中心,并采用了基于空间信息的模糊C均值聚类方法对图像进行分割。经C++编程验证,算法能有效去除花型图像中的噪声,获得较理想的花型识别结果。     

基于模糊率的FCM自适应图像分割方法

提出一种基于模糊率的模糊C均值自适应图像分割方法。该方法根据波谷波峰梯度检测法自动确定模糊聚类数目,利用模糊阈值法快速确定较为准确的初始聚类中心,建立包含特征信息和空间信息的新目标函数,实现图像的自动分割。实验结果表明,该方法的分割速度快、精度较高,具有较强的鲁棒性。     

基于分水岭和改进的模糊聚类图像分割*

针对模糊C-均值聚类算法需预先给出初始聚类中心、未考虑邻城信息、计算复杂度高等缺点,提出了一种基于分水岭和改进的模糊聚类图像分割方法.该方法首先利用分水岭分割方法对原图像进行预分割,然后利用粒子群的全局寻优能力从预分割的小区域中搜索出较为准确的初始聚类中心;最后,在对小区域进行模糊聚类时,建立了包含邻域信息的聚类目标函...