非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

结合颜色和纹理的改进K均值遥感图像聚类

提出一种改进的基于遥感图像的颜色和纹理特征进行聚类的K均值算法。该算法通过统计图像色度直方图的峰值,来获得三组聚类个数和初始聚类中心,并结合色度和基于灰度共生矩阵的纹理特征形成图像聚类特征,然后进行改进的K均值聚类,最后选择silhouette均值最大的一组作为最佳聚类结果。该方法的随机性和聚类误差比传统K均值算法小,实验结果证实了该方法的可行性和有效性。     

基于图划分的图像直方图聚类分割

传统的基于图论的图像分割方法都是直接对图像灰度数据进行聚类分割,算法计算量较大。提出一种新的基于图论的直方图聚类分割算法,算法对图像直方图数据进行聚类,并由此得到分割阈值。由于输入值为直方图数据而不是图像灰度,数据量最大为 256而与像素数无关。实验研究表明,本方法在分割质量基本不变的情况下使得计算量大为减少。     

能量累积与均值漂移聚类结合的红外小目标检测方法

研究红外图像中弱小目标的检测问题,提出了一种基于能量累积与均值漂移聚类的红外小目标检测方法。首先利用滑动窗口处理实现图像序列中目标能量积累,去除图像中的随机噪声,提高信噪比;然后选用不同尺度的核带宽对原始图像进行两次均值漂移聚类滤波,将两次滤波所得的图像灰度进行差分来实现背景抑制,提高目标与背景的对比度;之后根据图像的统计特性确定阈值,用门限分割方法提取目标区域,实现候选目标的准确定位;最后利用序列图像中目标运动的连续性和轨迹的一致性筛选出真正的目标。该算法通过选用不同尺度的核带宽进行聚类来得到目标及背景图像,背景抑制的同时也滤除了噪声。实验结果表明,该方法能快速有效地提取复杂背景条件下的红外小目标。     

融合Tamura纹理特征的改进FCM脑MRI图像分割算法

针对FCM算法在分割脑MRI图像时存在噪声敏感性和初始聚类中心随机性的问题,提出一种融合图像Tamura纹理特征的改进FCM图像分割算法.首先提取图像的Tamura纹理特征,将其与灰度特征线性加权构成融合特征.然后使用模糊邻域关系计算像素点的密度,将其与距离关系结合自适应选取初始聚类中心.最后使用融合特征作为更新隶属度和聚类中心的特征约束.实验利用该方法与FCM,D-FCM,WKFCM方法对Brain Web脑MRI数据集中的图像进行分割,并在抗噪性、准确性和运行效率方面进行了比较.实验结果表明,所提算法能获取更优的初始聚类中心,在处理噪声和灰度不均匀图像上表现出更好的鲁棒性,能够快速有效地分割脑MRI图像.     

能量累积与均值漂移聚类结合的红外小目标检测方法

研究红外图像中弱小目标的检测问题,提出了一种基于能量累积与均值漂移聚类的红外小目标检测方法。首先利用滑动窗口处理实现图像序列中目标能量积累,去除图像中的随机噪声,提高信噪比;然后选用不同尺度的核带宽对原始图像进行两次均值漂移聚类滤波,将两次滤波所得的图像灰度进行差分来实现背景抑制,提高目标与背景的对比度;之后根据图像的统计特性确定阈值,用门限分割方法提取目标区域,实现候选目标的准确定位;最后利用序列图像中目标运动的连续性和轨迹的一致性筛选出真正的目标。该算法通过选用不同尺度的核带宽进行聚类来得到目标及背景图像,背景抑制的同时也滤除了噪声。实验结果表明,该方法能快速有效地提取复杂背景条件下的红外小目标。     

基于直方图和模糊C均值的彩色图像分割方法

提出一种基于HSV空间的直方图和模糊C均值(FCM)相结合的彩色图像分割算法.首先将彩色图像转化到HSV空间,考虑到该空间的奇异性,把图像中的像素点根据饱和度和亮度划分为奇异点和非奇异点,然后对非奇异点建立3D HSV颜色直方图,并用爬山算法筛选出峰值进行像素点FCM聚类,对奇异点则建立1D灰度直方图,筛选出峰值进行直方图FCM聚类,最后合并两种分割结果.实验结果表明,该方法对彩色图像能够有效地提取目标物体,具有一定鲁棒性.     

基于K均值聚类的体绘制传递函数设计方法研究

提出一种基于K均值聚类算法的体绘制多维传递函数设计方法。在利用灰度—梯度直方图分析体数据内部结构信息的基础上,应用K均值聚类算法对整个体数据进行聚类分类,对属于不同聚类中的体素值进行伪彩色映射,实现体数据与彩色编码的转换关系。实验表明,利用该方法所设计的体绘制传递函数能够揭示体数据的内部结构关系,重建的三维图像逼真、质量高。     

结合[k]-means的自动FCM图像分割方法

针对图像分割中模糊C均值算法（FCM）无法自动确定聚类中心,不考虑像素邻域信息的问题,提出一种结合[k]-means的自动FCM图像分割方法。该方法先由图像的灰度直方图确定聚类数目,使用一种改进的快速FCM方法产生初始聚类中心。即通过一步[k]-means算法对大隶属度灰度更新模糊聚类中心,同时仅对小隶属度灰度使用快速FCM?方法进行隶属度更新,迭代后得到初始聚类中心。利用改进隶属度的FCM算法进行最终聚类。实验表明,该方法获取初始聚类中心接近最终值,加速图像分割,并对噪声具有一定的鲁棒性。     

基于区域生长的道路图像分割技术研究

对一幅给定的道路图像，首先计算其梯度图像，然后利用HOUGH变换确定粗略道路区，根据灰度直方图全局峰值个数选取区域核心点，采用近邻函数准则聚类算法选取区域生长阈值，结合单一型链接区域生长和质心型链接区域生长作为生长准则进行区域生长，得出道路区的区域描述。