稳健模糊C-均值聚类算法在图像分割中的应用研究

模糊C-均值聚类是模式识别中的重要算法之一,很早就被应用到图像分割中。由于原始的模糊C-均值聚类算法没有考虑图像的空间信息,算法对图像中的噪音点十分敏感。针对这个问题,很多稳健模糊C-均值聚类算法被提出。通常的做法是在原来模糊C-均值聚类的目标函数中加入空间信息惩罚项。本文讨论这类方法,具体分析不同算法的空间信息加入方式,并指出其优缺点。     

模糊C均值聚类算法在多元图像分割中的应用

改进的模糊C均值聚类算法在对多元图像进行分割的过程中,通过给图像中各个类的对象分配不同的权值来提高模糊C均值聚类算法对不同大小类的敏感性。实验证明,经过改进的模糊C均值聚类算法克服了原始算法对多元图像中类大小敏感性差的问题。     

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。     

新的鲁棒模糊C-均值聚类分割算法及其应用

针对Krinidis和公茂果等提出的系列鲁棒模糊局部C-均值聚类算法存在聚类中心迭代公式缺乏严格数学理论基础的不足,于是将其聚类目标函数及其约束条件采用拉格朗日乘子法进行严格数学推导,从而获得最优解逼近的隶属度和聚类中心迭代表达式,并通过多次循环迭代实现图像聚类分割。实验结果表明,本文所建议的鲁棒模糊局部C-均值聚类分割算法是有效的,相比现有鲁棒模糊局部C-均值聚类分割算法更适合复杂遥感等图像的分割需要。     

改进的模糊C-均值算法在医学图像分割中的应用

针对随机选取聚类中心易使得迭代过程陷入局部最优解的缺点,提出了一种混合优化蚁群和动态模糊C-均值的图像分割方法,该方法利用蚁群算法较强处理局部极值的能力,并能动态确定聚类中心和数目.针对传统的分阶段结合遗传算法和蚁群算法的策略存在收敛速度慢,聚类精度差的问题,提出在整个优化过程综合遗传算法和蚁群算法,并在蚁群算法中引入拥挤度函数,利用遗传算法的快速性、全局收敛性提高了蚁群算法的收敛速度,同时利用蚁群算法的并行性和正反馈性提高了聚类的精确度.最后将该算法应用到医学图像分割,对比实验表明,混合算法具有很强的模糊边缘和微细边缘分割能力.     

基于PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类（FCM）的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。     

医学图像分割中的模糊聚类算法及其新进展

图像分割是医学图像处理中的重要环节,是医学图像分析、理解、描述和三维重构等的前提。而由于医学图像本身的模糊性,造成不同个体组织之间难以找到清晰的边界,模糊理论为解决这个问题提供新途径,使得模糊聚类算法成为一种有效的图像分割方法。在此对模糊聚类算法特别是模糊C-均值算法及其新进展进行综述和讨论。     

改进的模糊C-均值聚类医学图像分割算法

针对模糊C-均值聚类算法分割图像时容易产生模糊边缘的缺点,提出了一种结合图像梯度和模糊C-均值聚类的图像分割方法.该方法利用图像梯度反映出来的目标边界,对由模糊C-均值聚类所获得的聚类区域进行分割,把因模糊性而划分到目标区域的像素点与目标区域进行分离,同时利用区域增长方法找出干扰区域并删除.将该算法应用到胰腺ERCP图像分割,实验表明,改进算法能够比较准确地分割出图像中的目标,减少因模糊聚类产生的模糊边缘.     

基于邻域的多尺度模糊C-均值聚类图像分割

模糊C-均值(FCM)聚类是一种无监督聚类技术,广泛应用于图像分割。但它计算量偏大,且仅利用像素信息对像素进行聚类,而未使用空间分布信息。本文提出基于邻域信息的多尺度FCM聚类图像分割方法,该方法由小波分解得到图像多尺度框架,对框架顶层低分辨率图像的每个像素,用它的邻接像素引导它的聚类过程,来决定该像素的聚类,再由图像框架逐层对聚类分割进行细节修正。分割实验表明,该方法对比标准FCM分割,具有更好的抗噪性,且图像分割更均匀。     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.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,实现图像的快速分割.     

基于GFCMA算法的医学彩色图像分割

医学图像分割是医学图像分析的关键步骤,经典的模糊C-均值聚类算法(FCM)是常用方法,但其依赖于初始聚类中心的选择,通常存在局部收敛的缺陷。通过与遗传算法(GA)结合而成的遗传模糊C-均值聚类算法(GFCMA),采用RGB颜色空间,能够得到全局最优解,并在此基础上实现了医学彩色图像分割和特定目标提取,取得良好分割效果。     

FCM算法在图像目标提取中的应用

针对相对复杂图像目标对象的提取问题,本文先运用模糊C均值聚类算法(FCM)对图像进行模糊分割。再根据模糊分类后的图像,本文设计了一种图像目标提取方法。实验表明,这种方法能还原模糊分类后的图像目标,并使背景部分替换成其他颜色,从而实现图像目标的提取。     

改进模糊划分的FCM聚类算法的一般化研究

聚类分析是无监督模式识别中的一种重要方法,已广泛应用于数据挖掘、图像处理、计算机视觉、生物信息和文本分析中.在聚类算法中,模糊指数m对聚类结果有十分重要的影响.针对IFP-FCM算法模糊指数m被限定为2的问题,提出了一般化的改进模糊划分的FCM聚类算法GIFP-FCM.通过引入新的隶属度约束,解决了IFP-FCM算法模糊指数m的一般化问题;同时GIFP-FCM算法从Voronoi距离和竞争学习的角度对其鲁棒性和快速收敛性进行了合理解释;其次,通过引入模糊程度系数α,使得FCM算法和IFP-FCM算法分别表示为GIFP-FCM算法在α等于0和α趋于1时的特例.实验结果表明,GIFP-FCM算法较之于IFP-FCM和FCM算法具有更好的鲁棒性和参数适应性;在纹理图像分割中,GIFP-FCM也明显优于IFP-FCM和FCM算法.     

关于模糊C-均值（FCM）聚类算法的改进

针对模糊C-均值（FCM）聚类算法的容易收敛于局部极值的不足,提出了一种改进的模糊FCM聚类算法,此新算法在聚类中心选取和优化过程中进行了充分的考虑,是一种用于确定最佳聚类数的聚类算法,并且利用了分阶段思想,结合动态直接聚类算法和标准聚类算法,来尽量避免模糊C-均值（FCM）聚类算法的不足。新算法与传统（FCM）聚类算法方法相比,提高了算法的寻优能力,并且迭代次数更少,在准确度上也有较大的提高,具有很好的实际应用价值。     

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。     

点密度函数加权模糊C-均值算法的聚类分析

基于模糊C-均值算法具有对数据集进行等划分趋势的缺陷,文章利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种新的加权模糊C-均值算法,该方法不仅在一定程度上克服了模糊C-均值算法的缺陷,而且具有良好的收敛性。     

点密度加权FCM算法的聚类有效性研究

模糊C-均值(FCM)算法是一种非监督的模式识别方法。由于该算法具有对数据集进行等划分的趋势,影响其聚类精度。利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种点密度加权模糊C-均值算法。该方法不仅在一定程度上克服了FCM算法的缺陷,而且具有良好的收敛性。当以聚类已知的少量数据点作为监督信息指导聚类,聚类效果进一步改善。并用聚类有效性函数对算法的聚类有效性进行了评价,从而为算法的聚类性能提供了理论依据。     

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。     

基于ELM的局部空间信息的模糊C均值聚类图像分割算法

极限学习机（Extreme learning machine, ELM）作为一种新技术具有在回归和分类中良好的泛化性能。局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means, WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力。基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM)。该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means,NKWFLICM)进行聚类。 实验结果表明 ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效, 同时克服了模糊聚类算法对模糊指数的敏感性问题。     

基于Type-2模糊聚类的图像分割算法

模糊C均值算法是图像分割的常用方法,但该算法对噪声非常敏感。为此,提出一种新算法,在模糊C均值算法基础上引进Type-2模糊理论,以提高算法的分割准确性和鲁棒性。该算法对模糊C均值算法中每一个样本的隶属度进行分段线性拉伸,利用拉伸的结果作为一个新的隶属度函数,并用该函数对图像进行分割。实验结果表明,该算法准确性较高,且具有良好的抗噪能力。