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。     

基于核的密度函数聚类的彩色图像分割方法

提出一种基于核方法的密度函数聚类方法和小波变换的快速彩色图像分割方法。对密度函数聚类方法改进,通过引入核方法生成基于核的密度函数聚类,用于彩色图像聚类数目上限和初始聚类中心;利用小波变换的多分辨率特性,在分辨率最大的子带进行聚类数目的确定以减少计算量,然后把分割结果逐层延伸到原始尺寸图像得到最终分割结果。     

一种基于小波变换的无监督纹理分割算法

提出了一种基于小波变换和均值偏移的无监督纹理图像分割算法。首先用小波变换对图像进行二级小波分解,然后用均值偏移算法估计出粗尺度上对应的聚类数目,并结合模糊c均值算法进行聚类,在此基础上,用定义的阈值函数和Fisher判据确定出细尺度上每个初始聚类中心的一个同组,从而实现图像的由粗到细的分割。实验结果表明,在分割精度相差不大的情况下,该方法解决了传统聚类方法所存在的需要聚类数目和对初始聚类中心敏感问题。     

基于多尺度分析和均值漂移的Kway-Ncut算法

提出一种基于多尺度分析和均值漂移的谱聚类算法.该算法以Kway-Ncut算法为基础,通过缩小待分割图片的分辨率来实现快速和对大分辨率图片的分割.首先,利用均值漂移算法对图片进行预分割,随后缩减图像和预分割结果的分辨率.再利用预分割提供的先验信息和像素的空间一致性构建相似度模型,计算缩小后的图片像素相似度,使用Kway-Ncut进行分割.最后,将分割结果扩展为原始分辨率,用原始分辨率的预分类信息对图像边界及细节部分加以恢复,获得最终的分割结果.通过使用多幅彩色图像进行分割实验,结果表明文中算法在准确性和高效性方面都有良好表现.     

基于谱分解的模糊C均值算法在彩色图像分割中的应用

针对模糊C均值聚类算法对初始值敏感、易陷入局部最优以及谱聚类算法无法处理样本量过大的问题,提出了一种将模糊C均值聚类算法与谱聚类算法相结合的模糊谱聚类算法应用于彩色图像分割。大致分为三步,第一步对图像进行预处理,将颜色空间由RGB空间转换为Lab空间;第二步对特征空间进行冗余模糊C均值聚类算法得到冗余类;第三步由冗余类的隶属度矩阵和聚类中心矩阵得到冗余类的特征空间,并根据贴进度和传递闭包将该特征空间转换为冗余类的相似度矩阵进行谱聚类,完成冗余类的合并。实验结果表明,与模糊C均值聚类算法相比,模糊谱聚类算法对于初始值敏感问题、易陷入局部最优以及只能识别团状的蔟得到了很好的解决,从而使彩色图像分割结果更加合理。     

图像分割中的模糊聚类方法

模糊聚类算法是近年来图像分割技术领域的研究热点之一。在对模糊C均值聚类算法分析的基础上,结合目前在图像分割中的应用研究,对模糊C均值聚类算法的测度方式进行了比较分析,从单分辨率、多分辨率以及与其他算法结合3个方面,评述改进的模糊C均值聚类算法优缺点。最后,讨论模糊C均值聚类算法目前存在的问题及未来发展方向。     

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。     

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。     

基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

基于改进模糊C均值聚类的光伏面板红外图像分割

红外图像具有对比度低和信噪比低等特点,这对红外光伏面板图像的分割始终是一个巨大的挑战.为了解决传统的模糊C均值（FCM）聚类算法易受到初始聚类中心不确定的影响和不考虑空间信息的问题,提出了一种基于模糊C均值改进的聚类分割算法,该算法利用直方图的特点确定初始聚类中心,同时在传统的模糊C均值（FCM）和模糊核C均值算法（KFCM）的基础上,利用像素之间的空间信息和邻域像素之间的关系改进传统FCM聚类目标函数,从而推导出新的目标函数.实验结果表明,该算法在分割质量和效果上与Otsu算法、文献[20]的自适应k-means算法及模糊核C均值算法（KFCM）相比,过分割和错分割率明显降低,且分割效果非常接近手动分割图.     

基于小波包和改进的FCM的医学图像分割

提出应用最优小波包变换对磁共振颅脑图像做分解,以各子带小波包系数的能量形成纹理特征集;并运用基于核函数的模糊C均值聚类算法（Kernel-Based Fuzzy C-means Algorithm,KFCM）对所提取到的特征集进行聚类分析,从而实现了对磁共振颅脑图像的有效分割。实验证明应用KFCM算法做分割的收敛速度和抗噪性明显优于FCM算法。     

局部搜索自适应核模糊聚类方法

核模糊C-均值聚类KFCM是利用核函数将数据映射到高维空间,通过计算数据点与聚类中心的隶属度对数据进行聚类的算法,拥有高效、快捷的特点而被广泛应用于各领域,然而KFCM算法存在对聚类中心的初始值敏感和不能自适应确定聚类数两个局限性。针对这两个问题,提出一种局部搜索自适应核模糊聚类方法,该方法引入核方法提高数据的可分性,并构造基于核函数的评价函数来确定最优的聚类数目和利用部分样本数据进行局部搜索以寻找初始聚类中心。人工数据和UCI数据集上的实验结果验证了该算法的有效性。     

基于小波变换和FCM分析的盲水印算法

利用人类视觉系统(HVS)的掩蔽效应和图像的局部相关特性,提出一种结合小波变换和模糊聚类分析的水印嵌入算法。在图像B通道下的小波域系数中,根据HVS的掩蔽性进行模糊聚类分析以选择适合嵌入水印的区域,结合图像的局部相关性和隶属度自适应地嵌入水印。算法在提取水印时无需原始载体图像的辅助。实验表明,该算法具有较好的透明性,而且对诸如JPEG压缩、图像锐化、几何裁剪、叠加噪声和平滑滤波等攻击均具有较好的鲁棒性。     

基于改进C均值聚类的自适应图像分色算法

图像分色在纺织和印刷等行业中有着广泛而重要的应用，其目的是用尽量少的颜色来描述一幅真彩色图像，使得到的图像与原图像尽可能的接近。该文提出了一种基于改进C均值聚类的自适应图像分色算法。该算法首先随机产生一张颜色表，然后根据该颜色表对原图像的像素点进行聚类分析，产生初始分色图像。再根据C均值聚类的方法对初始聚类中心进行调整，生成新的分色图像，直到满足结束条件后结束算法。实验结果表明，该算法在大大减少原图像的颜色数量的同时基本保持分色图像的质量，是一种实用的分色方法。     

基于PSO_KFCM的医学图像分割

在核模糊聚类算法(KFCM)的基础上,提出了一种新的PSO KFCM聚类算法.新算法利用高斯核函数,把输入空间的样本映射到高维特征空间,利用微粒群算法的全局搜索、快速收敛的特点,代替KFCM算法逐次迭代的过程,在特征空间中进行聚类,克服了KFCM对初始值和噪声数据敏感、易陷入局部最优的缺点.通过对医学图像进行分割,仿真实验结果表明,新算法在性能上比KFCM聚类算法有较大改进,具有更好的聚类效果,且算法能够很快地收敛.     

基于改进人工蜂群的核模糊聚类算法

针对核模糊C均值（KFCM）算法对初始聚类中心敏感、易陷入局部最优的问题,利用人工蜂群（ABC）算法的构架简单、全局收敛速度快的优势,提出了一种改进的人工蜂群算法（IABC）与KFCM迭代相结合的聚类算法。首先,以IABC求得最优解作为KFCM算法的初始聚类中心,IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值,对雇佣蜂的搜索行为进行改进,平衡人工蜂群算法的全局搜索与局部开采能力;其次,以类内距离和类间距离为基础,构造出适应KFCM算法的适应度函数,利用KFCM算法优化聚类中心;最后,IABC和KFCM算法交替执行,实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验,实验结果表明,与基于改进人工蜂群的广义模糊聚类（IABC-KGFCM）相比,IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点,具有鲁棒性强和聚类精度高的优势。     

基于HSI空间模糊聚类的彩色图像分割新方法

模糊C均值(FCM)被广泛应用于彩色图像分割中,但传统的模糊C均值由于没有考虑空间信息,因此对噪声特别敏感。针对此问题,提出了一种在HIS颜色空间结合像素邻域空间信息的模糊聚类新方法。实验结果表明,此方法对高噪声图像有较好的处理结果。