一种快速鲁棒核空间图形模糊聚类分割算法

针对现有鲁棒图形模糊聚类算法难以满足强噪声干扰下大幅面图像快速分割的需要，提出一种快速鲁棒核空间图形模糊聚类分割算法。该算法将欧氏空间样本通过核函数映射至高维空间；采用待分割图像中像素邻域的灰度和空间等信息构建线性加权滤波图像，对其进行鲁棒核空间图形模糊聚类；并引入当前聚类像素与其邻域像素均值所对应的二维直方图信息，获得鲁棒核空间图形模糊聚类快速迭代表达式。对大幅面图像添加高斯和椒盐噪声进行分割测试，实验结果表明:本文算法相比基于图形模糊聚类等分割算法的分割性能、抗噪鲁棒性和实时性有了显著提高。     

结合隶属度与像素交替引导滤波的鲁棒模糊聚类算法

模糊局部信息C-均值（FLICM）聚类算法是目前应用较广泛的图像分割算法,然而仅适用于处理低噪声图像。FLICM算法与像素引导隶属度滤波的结合在一定程度上提高了噪声抑制能力,但仍无法满足强噪声图像的分割需求。联合引导滤波与基于核度量的加权模糊局部信息C-均值（KWFLICM）聚类算法,提出一种隶属度与像素值交替引导的核模糊聚类算法。将像素引导隶属度滤波模块和隶属度引导像素滤波模块引入KWFLICM算法,构造一种引导滤波约束的多目标核模糊聚类优化模型,采用最小二乘法对该模型进行迭代求解。在迭代过程中,通过像素引导隶属度滤波和隶属度引导像素滤波,分别修正输入图像的隶属度和像素值,进一步提高核模糊聚类算法对含噪图像的鲁棒性。实验结果表明,与同类核模糊聚类算法相比,该算法在莱斯噪声干扰下的误分率、精确度、峰值信噪比、Jaccard相似系数等评价指标上表现突出,具有更好的分割性能和更强的鲁棒性。     

应用于三维点云数据去噪的改进C均值算法

针对三维激光扫描仪采集到的点云数据中离群点不易区分和去噪难度大的问题,提出了一种改进的C均值算法。通过分析三维点云数据特征,在传统C均值算法中引入模糊聚类权重因子,降低类内距离和拉大类间距离,有效增强了离群点特征以降低识别难度。进而将识别出的噪声分类别处理,利用改进的C均值算法去除大尺度噪声,构造双边滤波算法去除小尺度噪声数据。与密度聚类算法、正交整体最小二乘平面拟合和基于特征选择的双边滤波点云去噪等算法相比,去噪准确度分别提升了7.3%、6.5%和6.0%,实验结果表明该算法可以有效去除大尺度噪声并能较好地保留有效数据。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力,提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法,该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性,对遥感图像像素进行聚类后划分为不同的组,然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后,对空间相似的块进行平均处理,实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪,峰值信噪比相比band-wise K-SVD算法提高了7.6%左右,同时具有更好的视觉效果。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力，提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法，该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性，对遥感图像像素进行聚类后划分为不同的组，然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后，对空间相似的块进行平均处理，实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪，峰值信噪比相比band-wise K-SVD算法提高了7.6%左右，同时具有更好的视觉效果。     

基于蚁群和自适应滤波的模糊聚类图像分割

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM).首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量.实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高.     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

基于导向核模糊C均值的图像分割方法

为解决传统模糊聚类在图像分割中无法保持边缘和抗噪声的问题,提出了一种基于导向滤波与核模糊聚类的图像分割方法。该方法利用线性时不变滤波过程,在图像分割过程中抑制噪声的同时保持边缘。为了表征图像数据间的非线性关系,该方法利用核函数将像素的模式空间映射到高维特征空间。笔者所提出的方法具有保证图像分割过程中保持边缘和噪声抑制的鲁棒性,且易于实现。     

基于联合滤波的聚类稀疏表示图像去噪算法

针对非局部均值去噪算法中噪声对结构聚类影响的问题,提出了一种基于联合滤波预处理的聚类稀疏表示图像去噪算法。利用维纳滤波和巴特沃斯滤波联合滤波处理提取含噪图像中的高频分量,同时减小了噪声对聚类的影响;利用非局部均值去噪的思想将高频图像块进行聚类,每一类图像块单独进行字典学习,增强字典的自适应性;利用多循环字典更新的K-SVD算法进行类内字典学习,增强字典的描述能力。实验结果表明,与传统的K-SVD算法相比,该算法能有效保留图像的结构信息,并且提升了图像的去噪效果。     

采用密度k-means和改进双边滤波的点云自适应去噪算法

采用相移结构光测量系统得到的三维点云,不可避免存在噪声.通过密度k均值(k-means)聚类算法将点云分为大尺度噪声点和小尺度噪声点,设定邻域大小以及点的数量来去除孤立噪声点;使用类内距离和类间距离的比值作为评价函数,得到最佳聚类数去除小片噪声点云;对于混杂在真实点云中的小尺度噪声点,采用鲁棒性更强的改进型双边滤波器进行点云光顺.实验验证表明:采用基于密度k-means和改进双边滤波结合的点云去噪算法可以有效去除各类噪声点,保持点云特征,相比平均曲率算法和基于特征选择的双边滤波算法,去噪效率分别提高了24％和16％.     

基于分段直方图均衡化技术的图像增强

分析了传统灰度图像直方图均衡化算法存在的优缺点,提出了基于分段直方图均衡化技术的图像增强算法。该算法基于图像的特点,利用K均值聚类算法将图像分成几个灰度区间,然后再分别进行均衡化。实验结果表明,该算法对灰度呈现两端分布且低灰度区域有较多像素点分布的图像有较好的增强效果。     

基于分段直方图均衡化技术的图像增强

分析了传统灰度图像直方图均衡化算法存在的优缺点,提出了基于分段直方图均衡化技术的图像增强算法。该算法基于图像的特点,利用K均值聚类算法将图像分成几个灰度区间,然后再分别进行均衡化。实验结果表明,该算法对灰度呈现两端分布且低灰度区域有较多像素点分布的图像有较好的增强效果。     

基于热平衡的中智学图像分割方法

为降低噪声对图像分割结果的影响,提出一种基于热平衡理论的中智学图像分割方法。该方法将图像转化为中智学图像,考虑每一个像素的不确定性,通过热平衡运算及图像增强处理,使噪声点变得更平滑,再使用γ-均值聚类方法分割图像。实验结果表明,对于含不同程度噪声的图像,该方法的分割效果明显优于中智学方法及改进的模糊C-均值方法。     

基于相似性的中智学图像分割方法

针对传统图像分割算法抗噪性差的问题,提出基于相似性的中智学图像分割方法。该方法在中智学基础上,利用图像信息的不确定性,结合相似性运算对图像信息进行处理。根据像素点的不确定性,图像在中智学领域内经相似性运算和图像增强后,利用聚类将其分割。实验结果显示,该方法可以有效剔除噪声,提高图像的信噪比,对合成图像分割错误率仅为0.110 7,低于其他方法,表明本方法在抗噪性以及图像分割效果上比其他方法更为理想。     

A Neuro-Fuzzy Approach for Compensating Color Backlight Images

This paper presents a neuro-fuzzy approach for compensating exposure in the case of backlighting, regardless of the position of objects. To achieve the compensation effect, the fuzzy C-means algorithm is first used to extract features from a backlight image. Then these extracted features are presented to a trained artificial immune system based neuro-fuzzy system (AISNFS) to estimate the amount of compensation. Finally, the estimated amount of compensation incorporated with a compensation equation is used to enhance the intensity component of the backlight image to produce a compensated image. Several backlight images were used to test the performance of the algorithm.     

彩色地毯图案边缘提取方法

针对新疆民族地毯的制作工艺及图案基元的构造,提出一种结合颜色聚类与边缘检测的图案边缘提取方法。根据需要确定待处理区域,使用中心为[-8]的拉普拉斯滤波器对其增强;采用K-means颜色聚类对增强后的目标区域进行聚类,根据颜色分割出目标基元的大致轮廓;运用Canny算子进行边缘检测提取出图案基元闭合边缘并采用Freeman链码的压缩形式进行表示。实验结果表明,该方法对新疆民族地毯多样化的图案基元的提取具有较好的效果且为民族元素数字化处理奠定了良好的基础。     

融合模糊聚类的蚁群图像增强算法

为提高边缘检测精准度,保证图片分割后效率和效果,本文提出一种基于融合模糊聚类的蚁群图像增强算法。该算法利用分量灰度值、灰度梯度值和领域特征值进行图像特征提取,得到特征灰度图;然后使用模糊聚类算法对区域蚂蚁进行聚类以提高收敛速度;再采用蚁群算法进行图像边缘检测,检测过程中,使用路径选择策略对蚁群进行有序搜索,提高搜索效率,又根据信息素更新策略进行最优路径信息交流,以达到边缘点提取与检索目的;最后将检索所得灰度边缘图与原图进行重合,得到图像增强效果。实验结果表明,该改进算法在检索时间方面相较于传统蚁群算法提高了20.7%;在精度方面提高了14.8%,图片分割效果更好,纹理更清晰。     

面向水下图像集的一致性增强评价方法

目的 在对整个水下图像集的质量进行评价时,现有方法是采用某一质量评价准则的质量分数平均值作为指标,以平均值的高低来说明质量增强算法的优劣,但是,非一致性增强的质量分数平均值会随着图像集的变化而产生较大的波动。为了解决上述问题,本文提出了一个更加具有普适性的水下图像质量评价方法：一致性增强质量评价（CEQA）方法。方法 所提方法通过对比图像增强前后的质量分数差值,来判断增强算法性能的一致性,再通过改变选定的质量分数差值所占权重比例并统一分数制,求出一致性增强的图像集的一致性增强质量评价分数。结果 虽然当图像集较小时,非一致性增强的图像质量增强算法得到的质量分数平均值最高,但当图像集扩大时,其增强后的质量分数平均值却低于原图的质量分数平均值;而在图像集扩展前后,一致性增强的图像质量增强算法能够稳定地增强图像质量,其得到的质量分数平均值一直高于原图的质量分数平均值。结论 本文通过实验证明了所提方法的可行性,扩展应用能够通过本文方法得到有效的实验数据,以对比说明各种水下图像质量增强算法的优劣;本文的方法比平均值方法更加鲁棒有效地控制了大样本偏差。因此,本文为大规模应用中如何选取水下图像集的质量增强算法,提供了一个更好的评价标准。     

图像搜索结果的重叠层次聚类与代表点展现

针对图像聚类中面临的高维、准确度低、部分重叠等问题,提出了一种高效的基于链接层次聚类的多标记图像聚类。该方法通过图像距离计算相似度,通过链接聚类检测重叠簇。从而每个图像可能归属于多个簇,使得簇标签的意义更明确。为了检验方法的有效性,对通过搜索引擎检索特定关键词返回的图片数据集进行聚类。结果表明,该方法能有效发现具有重叠划分的簇,且簇的意义比较明确。     

基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.