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。     

一种用于文本聚类的改进二分K-均值算法

在已有聚类算法的基础上,提出了一种新的文本聚类新方法--合作二分K-均值算法(简称CBKM).该算法以K-均值算法和二分K-均值算法为基础,通过整体聚类、合作聚类和聚类融合3个阶段,对中间聚类结果进行再次划分,产生了具有更好聚类效果的集合.实验结果表明,合作二分K-均值算法的聚类性能优于K-均值算法和二分K-均值算法.     

基于核的K-均值聚类

将核学习方法的思想应用于K-均值聚类中，提出了一种核K-均值聚类算法，算法的主要思想是：首先将原空间中待聚类的样本经过一个非线性映射，映射到一个高维的核空间中，突出各类样本之间的特征差异，然后在这个核空间中进行K-均值聚类。同时还将一种新的核函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性，分别利用人工和实际数据进行K-均值聚类和核K-均值聚类，实验结果显示对于一些特殊的类分布数据，核K-均值聚类比K-均值聚类具有更好的聚类效果。     

基于SOM神经网和K-均值算法的图像分割

提出了一种基于SOM神经网络和K-均值的图像分割算法。SOM网络将多维数据映射到低维规则网格中,可以有效地用于大型数据的挖掘;而K-均值是一种动态聚类算法,适用于中小型数据的聚类。文中算法利用SOM网络将具有相似特征的象素S点映射到一个2-D神经网上,再根据神经元间的相似性,利用K-均值算法将神经元聚类。文中将该算法用于彩色图像的分割,并给出了经SOM神经网初聚类后,不同K值下神经元聚类对图像分割的结果及与单纯K-均值分割图像进行对比。     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域。但K-均值 聚类容易陷入局部最优,影响图像分割效果。针对K-均值的缺点,提出一种基于随机权重粒子 群优化(RWPSO)和K-均值聚类的图像分割算法RWPSOK。在算法运行初期,利用随机权重粒 子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部 搜索能力,实现算法快速收敛。实验表明：RWPSOK 算法能有效地克服K-均值聚类易陷入局 部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法(PSOK) 相比,RWPSOK 算法具有更好的分割效果和更高的分割效率。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于初始聚类中心优化的K-均值算法

针对传统的K-均值算法对初始聚类中心的选取和孤立点敏感的问题,本文提出了一种基于点密度的初始聚类中心选取方法。利用该方法选出初始聚类中心,再应用K-均值算法进行聚类,同时对孤立点进行特殊处理。实验表明,该方法能够产生高质量的聚类结果。     

基于K-均值与蚁群混合聚类的图像分割

针对单一聚类算法在图像分割中容易陷人局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K-均值聚类和蚁群聚类相结合的新算法.新算法先将K-均值算法作快速分类,根据K-均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率.实验结果证明,新算法在图像分割处理的精确度上较单一的K均...     

稳定的K-多均值聚类算法

指定K个聚类的多均值聚类算法在K-均值算法的基础上设置了多个次类,以改善K-均值算法在非凸数据集上的劣势,并将多均值聚类问题形式化为优化问题,可以得到更优的聚类效果。但是该算法对初始原型敏感,且随机选取原型的方式使聚类结果不稳定。针对上述问题,提出一种稳定的K-多均值聚类算法,并对该算法的复杂度与收敛性进行了简要讨论。该算法先基于数据样本的最邻近关系构造图,根据图的连通分支将数据分为若干组,取每组数据的均值点作为初始原型,再用交替迭代的方法对优化问题进行求解,得到最后的聚类结果。在人工数据集和真实数据集上的实验表明,该算法具有更稳定更优越的聚类效果。     

平均误差向量加速的[K]-Means色彩量化方法

针对[K]-Means色彩量化方法在运行时间上过于冗长的问题,提出一种用平均误差向量加速的色彩量化方法。随机生成[K]种色彩作为初始的调色盘,用该调色盘对欲量化的图像进行一次量化。根据量化后的版本,计算其每个颜色分量的量化误差,获得平均误差向量。用该平均误差向量对调色盘进行更新,获得另一更优的调色盘。通过若干次迭代运算,获得最终收敛的调色盘,并用该调色盘进行最后的色彩量化。实验结果表明,该加速算法能对[K]-Means量化方法平均加速70~150倍,同时,原有[K]-Means方法的量化效果还得到了保持。     

一种改进的快速中位切割彩色图像量化算法

色彩量化的主要目标是选择一个使量化前后图像之间差异尽可能小的最佳调色板。通过对中位切割技术的研究,提出了一种改进的中位切割算法,采用提高预量化精度、利用方差计算切割位置以及反向查找颜色映射等方法,使彩色图像的色彩量化在速度和质量上都获得了较大提升,实验证明了该算法的有效性。     

真实图形的颜色量化

颜色量是真实图形显示的一个重要环节。它的主要任务是将一幅有Ｎ个象素点的真实图用不超过Ｋ（Ｋ《Ｎ）种颜色近似表示，以使这幅图能在颜色表长为Ｋ的显示设备上输出。本文提出了一种基于编码的颜色量化算法，引算法速度快，所生成的图形效果较好。     

A Hybrid Color Quantization Algorithm Incorporating a Human Visual Perception Model

Color quantization is a common image processing technique where full color images are to be displayed using a limited palette of colors. The choice of a good palette is crucial as it directly determines the quality of the resulting image. Standard quantization approaches aim to minimize the mean squared error (MSE) between the original and the quantized image, which does not correspond well to how humans perceive the image differences. In this article, we introduce a color quantization algorithm that hybridizes an optimization scheme based with an image quality metric that mimics the human visual system. Rather than minimizing the MSE, its objective is to maximize the image fidelity as evaluated by S‐CIELAB, an image quality metric that has been shown to work well for various image processing tasks. In particular, we employ a variant of simulated annealing with the objective function describing the S‐CIELAB image quality of the quantized image compared with its original. Experimental results based on a set of standard images demonstrate the superiority of our approach in terms of achieved image quality.     

一种融合聚类与区域生长的彩色图像分割方法

论文提出了一种将聚类和区域生长有机融合的彩色图像分割方法。为了捕获图像的纹理特征,首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色与纹理特征,然后采用符合人类视觉特征的生长规则,进行基于子块的区域生长。该方法充分利用了聚类算法和区域生长算法的各自优点,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行了分割实验,实验结果证明了算法的有效性。     

基于IC芯片的彩色图像分割方法研究与实现

以IC芯片彩色图像为研究对象,分析了迭代阈值法,松弛迭代算法,颜色空间聚类算法在此类图像分割中的不足,并改进迭代阈值法,对原始图像进行颜色空间转换,由RGB空间转化到CIE Lab空间;同时利用八叉树算法对图像进行8位量化,对得到的灰度图像进行迭代阈值分割得到最佳阈值,从而提出了专门针对彩色图像背景分割的彩色迭代阙值法.最后基于Visual Studio6.0平台实现上述4种方法,并通过对比实验证明本文所采用的方法的可行性和实用性.     

利用VC实现真彩色位图到灰度图的转换

给出了一种真彩色位图到灰度位图的转换方法 ,该方法采用创建好灰度图像调色板 ,让系统自动按照最接近的调色板颜色去转换 2 4位真彩色位图。结果表明 ,转换后的图像能保留原图像的除去颜色以外的所有信息 ,且磁盘存储容量缩小了 2 /3。     

An adjustable algorithm for color quantization

Color quantization is an important technique in digital image processing. Generally it involves two steps. The first step is to choose a proper color palette. The second step is to reconstruct an image by replacing original colors with the most similar palette colors. However a problem exists while choosing palette colors. That is how to choose the colors with different illumination intensities (we call them color layers) as well as the colors that present the essential details of the image. This is an important and difficult problem. In this paper, we propose a novel algorithm for color quantization, which considers both color layers and essential details by assigning weights for pixel numbers and color distances. Also this algorithm can tune the quantization results by choosing proper weights. The experiments show that our algorithm is effective for adjusting quantization results and it also has very good quality of quantization.     

一种融合颜色和空间信息的区域生长算法

该文提出了一种基于图像颜色和局部空间信息的种子区域生长算法,并用于彩色图像分割。该算法首先根据相对欧式距离使用均值聚类算法对图像进行颜色量化,形成图像的初始分割结果,然后通过计算局部颜色散度,进行分级区域合并,最后,利用形态学相关算法对分割区域的边缘进行平滑。实验表明,该算法能得到与人类视觉判断相一致的有意义区域的分割。     

聚类分析在彩色像景织物分色处理中的应用

本文在彩色像景织物的图像传统分色基础上,结合数据挖掘中K-means聚类算法的不足之处,提出了一种改进的K-means彩色图像的聚类分析的分色方法和失真度指标,并通过实验对传统分色方法与改进的聚类分色方法的失真度进行比较,表明用该聚类方法具有较小的失真度,能起到与原纹样风格一致的效果。