基于免疫谱聚类的图像分割

提出了一种基于免疫谱聚类的图像分割方法.利用谱聚类的维数缩减特性获得数据在映射空间的分布,在此基础上构造一种新的免疫克隆聚类,用于在映射空间中对样本进行聚类.该方法通过谱映射为后续的免疫克隆聚类提供低维而紧致的输入.而免疫克隆聚类算法具有快速收敛到全局最优并且对初始化不敏感的特性,从而可以获得良好的聚类结果.在将其用于图像分割时,采用了Nystr?m逼近策略来降低算法复杂度.合成纹理图像和SAR图像的分割结果验证了免疫谱聚类算法用于图像分割的有效性.     

基于多空间多层次谱聚类的非监督SAR图像分割算法

提出了一种基于多层区域谱聚类的非监督SAR图像分割算法（multi-space and multi-hierarchical region based spectral clustering, MSMHSC）。该算法首先在特征与几何空间求距离, 快速获得初始过分割区域, 然后在过分割区域的谱空间上进行聚类, 最终实现非监督的SAR图像分割。该方法计算复杂度小, 无须训练样本, 使用层次化思想使其能更充分地利用SAR图像各类先验与似然信息。在MSTAR真实SAR数据集上的实验验证了该算法的快速性和有效性。     

在线编码谱聚类及图像分割方法

目前,谱聚类已经成为图像分割领域的研究热点,但是,常见谱聚类算法具有0(n3)的复杂度,在图像分割的应用受到限制.基于在线的多尺度竞争学习,文中提出了一种基于在线编码的多尺度谱聚类算法,并应用于图像分割.首先,算法通过在线竞争学习算法构造m(m≤n)个原型来编码原始数据.然后,利用多尺度谱聚类对原型进行分组,标注样本并得到最终的聚类结果.算法的复杂度近似为O(mn十m2),因而,较好地提高了谱聚类在图像分割上的效率.在三组数据上开展了实验:在非凸数据集上的结果表明,文中算法具有良好的多尺度性质.在合成的高斯数据集上进行了效率对比分析,说明文中算法能有效压缩样本量,提高效率.在标准的图像上的分割效率优于通常的NJW谱聚类算法和在分割质量上优于k-means算法.和基于抽样的Nystr(o)m算法相比,具有一定优势.     

基于谱聚类与混合模型的SAR图像多尺度分割

针对谱聚类方法应用于合成孔径雷达（SAR）图像分割时Laplace矩阵的特征值和特征向量难以计算的问题,结合SAR图像在多个尺度的统计信息,给出了一个包含顶点凝聚、初始分割和分割细化3个步骤的SAR图像多尺度分割方法。首先,用一个顶点数不断减少的凝聚图序列来逼近从SAR图像得到的图;然后应用谱聚类方法对最粗尺度的凝聚图进行分割得到初始分割结果;最后根据SAR图像的统计性质,利用基于混合模型估计的分类后验概率将初始分割结果逐尺度进行细化得到SAR图像的最终分割。实验结果表明了方法的有效性。     

基于Nystrom方法的图像谱分割算法的聚类改进

基于图论的图像谱分割是近年来国际图像分割领域的一个热点,但必须构造亲和力矩阵,而构造亲和力矩阵要耗费大量的计算时间,于是有研究者提出可以用Nystrom采样对亲和力矩阵及其主特征向量估计实现最终的图像分割.对Nystrom方法用于对亲和力矩阵及其主特征向量的估计进行介绍,并对此进行了具体的实现及分析.针对用传统的k-means方法实现对最后的特征向量的聚类的缺陷,设计了简单有效的聚类算法得到了比较理想的效果.     

基于加速k均值的谱聚类图像分割算法改进

对谱聚类图像分割算法进行改进,即引入加速均值算法替换原算法中的k均值算法,得出加速谱聚类的图像分割算法.将改进算法应用于微软剑桥研究院Grab cut数据集中的5幅实验图像,结果显示:在平均区域一致性评价不降低的前提下,改进算法完成分割所花费的平均时间比改进前可缩短58％.     

区间模糊谱聚类图像分割方法

近年来谱聚类算法在模式识别和计算机视觉领域被广泛应用,而相似性矩阵的构造是谱聚类算法的关键步骤。针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了区间模糊谱聚类图像分割方法。该方法首先利用灰度直方图和区间模糊理论得到图像灰度间的区间模糊隶属度,然后利用该隶属度构造基于灰度的区间模糊相似性测度,最后利用该相似性测度构造相似性矩阵并通过规范切图谱划分准则对图像进行划分,得到最终的图像分割结果。由于区间模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该方法在分割效果和计算复杂度上都有较大的改善。     

基于遗传优化谱聚类的图形分割方法

传统的谱聚类方法使用k-means达到最后的聚类目的。k-means对初始条件敏感,易陷入局部最优,从而导致传统的谱聚类方法应用到图像分割时效果不太理想。将遗传算法用于优化谱方法的聚类阶段,提出一种以遗传算法优化普聚类的图像分割方法(Image Segmentation Algorithm of Spectral Clustering Optimization Based on Genetic,ISCOG)。在合成图像与真实图像上的实验表明ISCOG算法极大地提高了谱聚类算法的稳定性和聚类质量,证明了ISCOG算法的优越性。     

势函数聚类自适应多阈值图像分割

提出了一种新的有效的图像多阈分割方法,该方法通过构造图像的势直方图,利用势矣类进行自适应多阈值分割,由于其划分函数是上次势基函数,因此该方法可等效为势基函数对直方的最佳拟合,该方法是一种自动确定划分类数的非迭代方法,具有速度快,划分特性良好,鲁棒性强的优点,几个典型实验也证明了这一点。     

改进的谱聚类图像分割方法

图像分割作为图像识别的一个重要处理步骤,但存在效果不理想或者计算复杂度过高的问题。提出一种新的灰度图像二值化的方法。该方法将Ncut作为谱聚类的量度,在计算该值时使用基于图像灰度级的权重矩阵,而非普通基于图像像素的权重矩阵。这样,计算复杂度和空间复杂度都明显降低。通过对实际场景中文本图像的实验,数据表明此方法在时间和系统开销方面比传统基于阈值的分割方法具有更优的性能。     

基于改进鱼群算法的多阈值图像分割

为了实现图像的有效分割,提出了一种基于改进鱼群算法的多阈值图像分割方法。引入领域搜索的思想对基本人工鱼群算法做了进一步改进;然后对最大熵函数进行全局优化,改进后的算法能够根据人工鱼的个体适应度大小和种群的分散程度自动调整鱼群控制参数,在保证群体多样性的同时加快了算法的收敛速度;最后得到分割图像的最佳阈值,克服了基本鱼群算法后期收敛性差、易陷入局部最优等问题。实验结果表明,所提算法能够获得较稳定、快速和准确的图像分割。     

基于多阶抽样谱图聚类彩色图像分割

针对谱聚类应用于图像分割时权矩阵的谱难以计算的实际问题,设计了一个图像多阶抽样谱图聚类算法.首先,给出了采样数定理及其证明,并推导出与聚类类别数和最小聚类数相关的最小采样数目;其次,根据最小采样数数目,对像素点进行均匀采样,并利用谱聚类对采样点进行聚类,设计一个罚函数,通过多次抽样,消除抽样对谱聚类模型稳定性的影响;最后,定义了像素点和类之间的距离,对剩余的点按距离最近原则进行聚类.实验结果表明了算法的有效性.     

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     

谱聚类算法研究及其在图像分割中的应用

提出了一种改进谱聚类的算法。首先介绍了谱聚类和基于路径的思想;然后为了改善传统谱聚类算法对GAUSS函数中尺度参数的敏感性,提出了一种新算法,并将其扩展到半监督的情况;最后将其应用在图像分割实验中,证明了该算法的有效性。     

基于蚁群算法的改进Otsu理论的图像多阈值分割

图像分割是由图像处理到图像分析的关键步骤,Otsu法是一种效果较好、实现简单的阈值分割方法。针对传统的Otsu阈值计算方法耗时较多、准则函数不一定单峰这一问题,提出了采用蚁群优化算法来求解阈值,并改进了传统的Otsu理论。分割效果表明该算法不仅提高了分割质量,而且缩短了寻优时间,从而说明了该算法的有效性,正确性。     

基于视觉感知和等周割的二维阈值分割算法

二维阈值分割方法没有考虑人类视觉感知的特性,将整个灰度级区域作为分割阈值的搜索空间.同时等周割图像分割方法没有直接考虑图像的灰度信息以及迭代终止条件难以确定的问题,因而对灰度图像的分割效果不甚理想.因此提出了一种融合视觉感知和等周割的二维阈值分割方法,该方法首先利用视觉感知的特性选择候选阈值向量所在的灰度区域,再将等周割作为准则,从候选阈值向量中选出最小等周率所对应的候选阈值向量作为最佳的分割阈值向量.在一系列图像上的实验结果表明,与几种经典的二维阈值分割方法相比,所提算法的分割效果更好.     

基于改进粒子群算法的多阈值图像分割

提出了一种改进的粒子群算法,在初始化种群时采用相对基学习原理,以获得较优的初始候选解;在后期迭代过程中引入扩张模型,使粒子不易陷入局部极小值点,并将其用于多阈值图像分割。由最大熵阈值法得到所要优化的目标函数,用改进的粒子群算法对其进行优化,使其能够准确并迅速的得到分割的最佳阈值组合,并用该阈值组合对图像进行分割。将此分割结果与遗传算法的多阈值分割结果相比较可以看出,该算法可更为准确快速的实现图像分割。     

广义概率Tsallis熵的快速多阈值图像分割

针对传统的熵多阈值法存在的计算复杂度高和分割不准确等 问题,提出了一种基于广义概率Tsallis熵的快速多阈值图像分割方法。首先,对传统的灰 度概率进行修改得到广义概率以构建广义概率Tsallis熵。然后,通过直方图均值自动确定Tsallis熵参数以解决参数不易选择 的问题。随后,将GPTE正确拓展到多阈值分割方法中使得分割更准确。最后,将差分进化(D ifferential evolution, DE)算法与递推算法有机结合应用于GPTE多阈值法中以解决计算复 杂度高的问题。[JP2]图像分割实验结果表明,与基于传统的熵多阈值法相比,本文提出的方法不 仅分割更准确,自适应性更强,而且运行速度更快。     

一种改进的模糊聚类图像分割算法研究与仿真

针对相似图像分割过程中,输入像素数据在转换空间上存在的不连贯和幅度变化特征差异很小,像素的隶属关系很难准确界定,导致分割阀值设定过程出现较大衰减,分割误差较大的问题,提出一种改进的模糊聚类图像分割算法.分析了传统的模糊C-均值聚类图像分割算法的弊端,对像素模糊划分矩阵和聚类中心进行推导,将迭代过程中像素数据集对聚类隶属的可能性和不确定性关系融入分割目标函数中,依据可能隶属度和不确定隶属度建立改进分割准则函数,同时对像素聚类进行更新,实现图像分割.仿真结果验证了所提算法的有效性,结果表明,改进后的方法在分割检测过程中,图像误差明显减小.