基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

改进粒子群结合K 均值聚类的图像分割算法

K 均值聚类的分类结果过分依赖于初始中心的选择且容易陷入局部最优。文中针对K 均值的缺陷,提出了一种基于随机权重粒子群和K 均值聚类的图像分割算法RWPSO KM。在算法开始,利用随机权重粒子群算法的全局搜索能力避免算法陷入局部最优。然后根据公式计算种群多样性执行K 均值算法,利用K 均值算法的局部搜索能力实现算法的快速收敛。实验结果表明, RWPSO KM与K 均值聚类和PSOK相比具有更好的分割效果和更高的分割效率。     

基于模糊C-均值聚类的粮虫图像分割

储粮害虫图像分割是粮虫特征提取和分类识别的基础和关键。本文介绍了基于模糊C-均值聚类算法的储粮害虫数字图像分割,利用该方法对粮虫数字图像进行分割,实验结果表明,图像分割效果较好,通用性强,为粮虫图像的特征提取提供了良好基础。     

基于粒子群优化非局部模糊聚类图像分割算法

为提高局部模糊聚类算法(WFLICM)对噪声图像 分割的抗噪性,克服模糊聚类图像分割算法对初 始聚类中心的敏感性及易陷入局部最优问题,在WFLICM算法的基础上提出一种基于粒子群 优化的融合 局部和非局部空间信息的模糊聚类图像分割算法(PSO-WMNLFCM)。首先,利用粒子群优化 算法的全局 寻优能力得到最优粒子,并以此粒子作为模糊聚类算法的初始聚类中心。其次,用像素的非 局部空间信息 替换模糊因子中的局部邻域值,产生新的目标函数。最后,由拉格朗日乘子法最小化目标函 数,得到隶属 度和聚类中心的更新公式,从而完成图像分割。仿真结果表明,PSO-WMNLFCM算法相比于 模糊局部聚 类(FLICM)算法、局部模糊权重(WFLICM)算法、非局部模糊聚类(NLFCM)算法、非局部模 糊聚类 (MNLFCM)算法、基于粒子 群的局部模糊聚类(PSO-FLICM)算法的划分系数提高了20.92%,20.51%,24.84%,1.44%,23.28%左右。     

一种改进的模糊C-均值图像分割算法

图像分割是图像处理中是一个重要问题.在FCM方法的基础上,对其参数m和算法的运行速度进行改进,实验结果表明,该改进在优化算法的速度和分割效果上都有显著的提高.     

基于参数自适应粒子群模糊聚类的图像分割研究

传统模糊聚类算法初始值过多依赖先验知识，易陷入局部最优，而采用粒子群模糊聚类虽有所改善，但粒子群也存在陷入早熟收敛的情况。针对这一问题，提出一种基于参数自适应的粒子群模糊聚类算法APSO-FCM。首先采用自适应参数控制策略对粒子群算法进行改进，然后使用提出算法优化模糊聚类初始数目，接着使用新的模糊C均值聚类方法进行图像分割。实验结果表明，提出算法划分的图像效果得到改善，在划分系数、划分熵等图像分割指标上有进一步提升。     

基于模糊聚类的运动对象分割算法研究

为了从视频序列中分割出完整的、一致的运动视频对象,该文使用基于模糊聚类的分割算法获得组成对象边界的像素,从而提取对象。该算法首先使用了当前帧以及之前一些帧的图像信息计算其在小波域中不同子带的运动特征,并根据这些运动特征构造了低分辨率图像的运动特征矢量集;然后,使用模糊C-均值聚类算法分离出图像中发生显著变化的像素,以此代替帧间差图像,并利用传统的变化检测方法获得对象变化检测模型,从而提取对象;同时,使用相继两帧之间的平均绝对差值大小确定计算当前帧运动特征所需帧的数量,保证提取视频对象的精确性。实验结果证明该方法对于分割各种图像序列中的视频对象是有效的。     

基于模糊熵聚类和改进粒子群的MRI脑图像分割研究

现有医学图像生成过程中无法回避噪声的引入,而目前还未有较好的算法对高噪声的MRI医学图像进行分割,分割归属于聚类问题,聚类常用的方法是模糊聚类,但模糊聚类需要解决对噪声和初始化敏感的问题,提出了一种基于模糊熵聚类和粒子群优化算法的MRI脑图像分割算法.首先在模糊熵聚类算法的基础上进行改进,设计了 一种利用邻域空间信息的...     

基于模糊C均值聚类的作物病害图像分割方法研究

图像分割是指将人们感兴趣的目标从背景中分割出来,分割结果的好坏直接影响后期的图像分析和识别.基于作物病害图像的分割技术就是将病斑从病害图像中分割出来,以便于后期病害的诊断和识别.模糊C均值聚类是一种重要数据分析和建模的无监督方法,为提高作物病害图像的分割效果,根据作物病害图像的特点,提出一种基于模糊C均值聚类算法的作物病害图像自适应分割方法,并与K均值聚类算法进行比较,结果显示本文算法在进行图像分割方面表现出明显优势.     

基于动态粒子群优化与K-means聚类的图像分割算法

为了解决K-means聚类算法图像分割质量过度依赖于初始聚类中心选取,且易于陷入局部最优解等问题,提出一种基于动态粒子群优化(DPSO)与K-means聚类的图像分割算法(DPSOK)。通过动态调整惯性系数与学习因子来增强PSO算法的性能;然后计算粒子群适应度方差,找准切换至K-means算法时机;随后,将DPSO输出结果用来初始化K-means聚类中心,使其收敛至全局最优解;最后,通过最小化目标函数的多次迭代,使K-means的聚类中心不断更新,直到收敛。实验结果表明,DPSOK能有效提高K-means的全局搜索能力,在图像分割中它比K-means,PSO获得了更好的分割效果,且与粒子群优化和K-means算法相比,DPSOK算法具有更高的分割质量与效率。     

基于二维粒子群优化的图像模糊增强算法研究*

针对传统基于灰度变换方法进行图像增强后图像质量不高等现象,对粒子群优化算法、模糊增强算法进行研究,同时结合禁忌搜素和粒子空间对称分布原理,提出一种基于二维粒子群优化的图像模糊增强算法。该算法通过对搜索粒子进行空间对称分布调整以避免算法陷入局部最优、提高全局搜索能力,并且在算法迭代后期加入禁忌搜索算法记录粒子搜索位置,以减少粒子位置重复寻优、提高算法搜索效率。最后将改进后的粒子群优化算法中粒子搜索位置和速度更新方向设定为二维并与模糊增强算法相结合,自适应搜索出模糊参数Fp、Fe最优值,实现模糊增强。实验结果表明,改进后算法对图像增强效果较好,并且将算法用于过暗SAR图像、医学MR图像的增强,可有效提高图像质量。     

一种基于Ｃ均值的模糊核聚类图像分割算法

模糊核聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,已广泛应用于图像分割领域,但其算法对初值敏感,很大程度上依赖初始聚类中心的选择,并且容易收敛于局部极小值,用于图像分割时,隶属度的计算只考虑了图像中当前的像素探值,而未考虑邻域像素探间的相互关系,故对分割含有噪声图像不理想。故提出了一种改进的模糊核聚类图像分割算法,先通过数据约简,不损失数据聚类结构的前提下对数据进行挖掘,然后在模糊核聚类算法中引入特性核函数,将约简后的数据映射到高维非线性特征空间进行划分,最后再利用表征邻域像素的参数来修正当前空间像素的隶属度。实验结果表明,提出的算法较好地解决了模糊核聚类算法在局部极值处收敛和在迭代过程中出现停滞等问题,最终得到最佳全局聚类,迭代次数降低明显,并具有高鲁棒性、对噪声不敏感的特点。     

基于混沌粒子群的IDS告警聚类算法

为了提高入侵检测系统(IDS)的告警质量,减少冗余报警,提出了一种基于混沌粒子群优化的IDS告警聚类算法。算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。该算法能够克服粒子群算法的早熟、局部最优等缺点,指导聚类中心寻找到全局最优解。通过理论分析与实验测试,验证了该算法在入侵检测系统中,能够大量减少告警数量,提高告警质量,具有较高的检测率和较低的误报率。     

一种新的粒子群优化的图像匹配算法

针对粒子群算法在图像匹配中易陷入局部最优、搜索速度慢以及匹配精度不高的问题,提出一种新的粒子群优化的图像匹配算法。首先,以改进的非线性惯性权重对粒子群算法进行优化,以此来平衡粒子在全局和局部的搜索能力;其次,提出添加动态扰动项对速度进行扰动,避免粒子在算法后期速度停滞为零而陷入局部最优。仿真结果表明,该算法提高了粒子的全局搜索能力和收敛精度,有效防止早熟现象,与基于标准的PSO图像匹配算法相比,所提算法具有收敛速度快、鲁棒性好以及匹配精度高的特点。     

基于粒子群算法的图像分割

文章对基于粒子群算法的图像分割进行研究。图像分割是在一个复杂的参数空间寻找最优分割参数。各种智能优化算法可以对复杂的非线性多维数据空间进行快速有效的计算,它不仅可以得到全局最优解,而且会使计算时间大大缩短。智能优化算法用于图像分割的关键是求解最优阈值。最优阈值的选取就是将智能算法作为优化工具,采用迭代的方式计算在某准则下目标函数的最优值,从而求解出分割图像的最优阈值。其中,粒子群算法是经典的智能优化算法之一。     

基于克隆粒子群算法的图像分割方法

最大熵阈值法是目前图像分割中应用最广泛的方法之一。为了快速准确地自动确定图像分割阈值,把克隆选择算法和粒子群算法相结合,提出克隆粒子群优化算法。利用这种改进方法对最大熵图像分割函数进行全局寻优。克隆选择算法和粒子群算法的结合克服了各自的缺点,克隆选择的多样性补偿了粒子群的多样性差的缺点,粒子群的快速性补偿了克隆选择的收敛速度慢的缺点。克隆粒子群方法克服了传统遗传算法易出现早熟、陷入局部最优等的问题,加快了图像分割函数收敛速度,最后能够快速准确地得到图像分割的最佳阈值。实验表明,改进后的算法分割速度较快,易于收敛到最优解,并且得到的分割阈值更加稳定。     

粒子群优化算法选择特征的运动图像分类

为了提高图像分类的效果,考虑当前方法准确实现图像分类的难题,提出粒子群优化算法选择特征的运动图像分类方法。对当前运动图像分类方法的研究现状进行分析,提取不同类型的图像,并采用粒子群优化算法选择最优特征,组成特征向量,将特征向量机作为神经网络的输入,实现运动图像的分类。采用具体图像分类实验进行验证,结果表明,该方法可以描述不同运动图像的类别信息,缩小图像的分类误差,避免其他图像分类方法的缺陷,提高了图像的整体分类正确率。