纹理图象分割的分形方法研究

在分形维数的基础上研究了将其用于纹理分割的方法。采用差分盒维数（ＤＢＣ）方法和一种改进的边缘保持算法计算象素点的分形维数ＦＤ，基于原始图象的方向性差分和多重分形的概念提取出一组特征，并将Ｋｏｈｏｎｅｎ的ＳＯＦＭ网用于对得到的图象特征矢量进行分类，得到了较好的纹理图象分割效果。最后和特征平滑与Ｋ均值聚类方法的结果进行了比较     

一种用于多阈值图象自动分割的混合遗传算法

模糊Ｃ－均值算法是一种比较有效的数据聚类方法,遗传算法则是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应的搜索算法,该文有机地利用遗传算法与模糊Ｃ－均值算法,并考虑图象的二维灰度信息,提出了一种适用于多阈值图象自动分割的新方案。该方案能够快速正确地实现分割,且不需要事先认定分割类数,实验结果令人满意。     

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。     

基于超椭球模糊聚类的人脑磁共振图象分割

通常使用的聚类分割方法认为样本的分布是超球形的，然而,这并不符合人脑磁共振MR(magnetic resonance)图象的真正特点.针对这一缺陷，提出了一种基于超椭球模糊聚类的人脑MR图象分割方法.实验结果表明，这种分割方法能有效地将人脑MR图象分割为灰质和白质两种组织，并具有较高的效率和分割精度.     

基于模糊C均值聚类和统计特性的医学图象检索

本文提出了一种基于灰度、形状和纹理特征的医学图象检索方法.图象被模糊C均值聚类算法预先分割成互相不重叠的子图象,然后对这些子图象分别提取特征,从而获得整幅图象的特征向量.分割后的各子图象和均方差特征描述了原图象的灰度分布情况,二值化后的7个不变矩和7个纹理特征描述了图象的形状和纹理信息.实验结果表明,该算法能够比较有效地应用于基于内容的医学图象检索中,在查全率和查准率上都优于实验中其他两种方法.     

基于二维阈值化与FCM相混合的图象快速分割方法

提出了一种将快速二维阈值化与模糊聚类相混合的图象分割方法，以进一步减少快速二维阈值分割中的噪声与错误分割。实验结果表明，利用这种方法分割信噪比较低的图象，能够在很短的时间内得到较为令人满意的分割结果。此外，本文还讨论了这一方法中隶属度函数的选取对分割结果的影响     

基于粒子群的改进模糊聚类图像分割算法

基于粒子群优化的改进模糊聚类图像分割算法将微粒群搜索聚类中心作为图像分割的聚类初值,克服了FCM分割算法对聚类中心初值敏感的缺点,大幅提高了图像分割算法的计算速度。改进的模糊聚类图像分割算法,一方面考虑到像素的空间位置信息和相互邻域之间像素有很大的相关性,在目标函数中引入邻域惩罚函数;另一方面提出聚类在二维方向上进行更新的思想,建立了包含邻域单元熵的新聚类目标函数。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,对初始聚类中心不敏感,抗噪能力强,是一种有效的模糊聚类图像分割方法。     

一种基于广义模糊性质集的图像分割方法

本文提出了一种基于广义模糊性质集的图像分割方法，它利用图像的广义隶属函数，把图像灰度转换成广义的模糊集合，通过对图像作多次增强而实现图像分割。实验结果表明，本文提出的方法与Ｏｔｓｕ法、熵函数法和ＦＣＭ２Ｄ法相比，在分割速度和分割质量上，都有下同程度的提高。     

GLCA算法的收敛性分析

模糊聚类分析算法能够通过目标函数准确地用公式表述聚类准则,从而较好地解决分类问题。ＧＬＣＡ算法与具有代表性的模糊聚类分析算法ＦＣＭ相比较其特点是：不需要选择权指,并把概率密度扩充到模糊测度。本文对ＧＬＣＡ算法进行了收敛性分析,证明了ＧＬＣＡ算法的不收敛性同时给出了ＧＬＣＡ算法不收敛的例子。     

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.     

基于直方图相关性约束的快速多阈值FCM图像分割算法

针对传统的模糊C均值(FCM)聚类算法在样本数和特征数较多时,运算较为复杂以及耗时较多的问题,本文提出了一种采用直方图的相关性作为约束采样率的快速多阈值FCM分割方法,控制图像失真,使得需要运算的数据量减少,以获得较快的分割速度.由于借助了基于模糊集的图像分割技术--模糊C均值算法实现多阈值图像分割,考虑到了每个像素对...     

快速模糊C均值聚类彩色图像分割方法

模糊C均值(FCM)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，提出了一种快速模糊聚类方法(FFCM)。这种方法利用分层减法聚类把图像数据分成一定数量的色彩相近的子集，一方面，子集中心用于初始化聚类中心点；另一方面，利用子集中心点和分布密度进行模糊聚类，由于聚类样本数量显著减少以及分层减法聚类计算量小，故可以大幅提高模糊C均值算法的计算速度，进而可以利用聚类有效性分析指标快速确定聚类数目。实验表明，这种方法不需事先确定聚类数目并且在优化聚类性能不变的前提下，可以使模糊聚类的速度得到明显提高，实现彩色图像的快速分割。     

基于马氏距离的FCM图像分割算法

基于模糊C均值聚类的图像分割是应用较为广泛的方法之一,但大多数模糊C均值聚类方法都是基于欧式距离,且存在运算时间过长等问题。提出了一种基于Mahalanobis距离的模糊C均值聚类图像分割算法。实验分析表明,提出的算法在保证分割质量的前提下,能较快提高分割速度。实验结果表明了该方法的有效性。     

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。     

用于图像分割的粗糙集改进模糊聚类方法

采用一种新的基于粗糙集理论的图像分割算法。通过提取直方图的外层,以及计算像素点周围的局部模糊程度来更新粗糙度。使用局部模糊粗糙度和待定算子来更新FCM算法中的隶属度函数。从粗糙集理论意义上来说,直方图的外层与上近似有关,而直方图取值与下近似有关。该方法通过对比传统的聚类分割算法和刘华军的改进算法,大大降低了时间复杂度,聚类效果显著。实验证明,该方法收敛性较强,运行时间较短,且具有良好的分割效果。     

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。     

一种偏置场环境下的模糊聚类分割算法

针对偏置环境下图像分割问题,提出了一种基于偏置场估计的模糊聚类算法。通过建立依赖于偏置场的模糊聚类目标函数,提出了模糊聚类隶属函数和偏置场估计的迭代算法。该方法较好地处理了传统模糊聚类在偏置场存在的情况下图像分割精度下降问题。实验结果表明,该算法能有效分割具有偏置噪声的图像,其分割精度优于传统模糊聚类法。     

微分进化自适应模糊C均值分割算法

模糊C均值（FCM）聚类算法分割图像时,对图像的背景噪声和聚类算法的初始值比较敏感,为了克服这个问题,进而提出了微分进化模糊[C]均值分割算法。为了避免陷入局部极值,首先使用FCM聚类初始化,接着用改进的FCM进行模糊聚类;然后进行初始化种群操作,设置微分进化DE算法的参数,计算种群中每个个体的适应值,最后对满足条件的适应值进行变异、交叉、选择操作。利用DE算法的全局搜索优化能力,有效抑制了局部极值的产生和图像的背景噪声、纹理细节对图像分割效果的影响。还克服了对初值选择敏感的问题,保证图像分割边界的完整性,是一个比较高效的方法,有效地提升了分割效果。DE算法本身具有简单,快速,鲁棒性好等优点,利用这些优点可以有效地克服FCM算法的缺点。     

An adaptive spatial information-theoretic fuzzy clustering algorithm for image segmentation

This paper presents an adaptive spatial information-theoretic fuzzy clustering algorithm to improve the robustness of the conventional fuzzy c-means (FCM) clustering algorithms for image segmentation. This is achieved through the incorporation of information-theoretic framework into the FCM-type algorithms. By combining these two concepts and modifying the objective function of the FCM algorithm, we are able to solve the problems of sensitivity to noisy data and the lack of spatial information, and improve the image segmentation results. The experimental results have shown that this robust clustering algorithm is useful for MRI brain image segmentation and it yields better segmentation results when compared to the conventional FCM approach.