基于局部隶属度和邻域信息的GIFP-FCM图像分割算法

基于一般化的模糊划分GIFP-FCM聚类算法是模糊C均值算法(FCM)的一种改进算法,一定程度上克服了FCM算法对噪声的敏感性,但由于其没有考虑图像的邻域信息,对含有较大噪声的图像分割效果不理想。为此,提出将局部隶属度和局部邻域信息等引入到GIFP-FCM算法的目标函数中,通过重新计算每个像素的局部隶属度和邻域信息,较好地克服了噪声影响。利用该算法对合成图像、脑图分割的实验结果表明,对于含有高斯噪声、椒盐噪声和混合噪声的图像,新算法得到的划分系数值最大,划分熵最小,是一种去噪效果较好的图像分割算法。     

噪声不均条件下的模糊C均值聚类算法及应用

随着工业生产和工艺的进步,人们对产品的质量要求越来越高。为提高光缆表面瑕疵分割的效果,克服模糊C均值聚类算法对噪声敏感的不足,提出了一种新的模糊C均值聚类（FCM）的瑕疵图像分割方法。该方法一方面考虑样本的邻域像素信息,使FCM的隶属度函数中包含像素的邻域信息,另一个方面使用一种新的距离度量方式代替传统的欧式距离。利用以上两种方法来增加算法的鲁棒性,此外,通过直方图法给聚类中心赋初值,使分割效果稳定。最后,分别对CCD相机获取的光缆图像添加椒盐噪声和高斯白噪声,使用改进的FCM算法和传统的FCM算法、FCMM算法进行光缆表面瑕疵分割实验。图像和分割正确率的对比实验结果表明,使用改进的FCM算法能更好地克服噪声,精确地将瑕疵从图像上提取出来,瑕疵轮廓更为清晰,提高了光缆表面瑕疵检测的效果。     

自适应灰度加权的鲁棒模糊C均值图像分割

针对传统模糊C均值(fuzzy C-means,FCM)算法以及结合空间信息的相关改进算法分割精度较低、对噪声敏感的问题,提出一种自适应灰度加权的鲁棒模糊C均值图像分割算法。首先,通过定义像素间的局部灰度相似性测度来反映各像素对局部邻域的影响程度,并根据邻域窗口中各像素的灰度差异,利用指数函数进一步控制邻域像素的影响权重,实现像素灰度的自适应加权,从而提高像素灰度计算的准确性。其次,构造出一种改进的距离测度代替传统的欧氏距离,用于计算各像素与聚类中心之间的相似距离,增强算法对噪声和异常值的鲁棒性。最后,将提出的自适应灰度加权方法与改进的距离测度应用到FCM算法中,实现图像分割。实验结果表明,该算法需根据图像噪声的强度适当地选取邻域窗口大小,在此条件下算法能够取得较优的分割效果和运行效率,且对噪声具有较强的鲁棒性。     

改进的模糊C均值聚类的图像分割算法

传统FCM算法仅考虑了图像像素的灰度信息,因此在分割含噪图像时效果较差。为了克服传统FCM算法的局限性,提出一种基于空间邻域信息的二维模糊聚类算法,该算法利用图像像素灰度和邻域灰度组成的二维直方图中对角线元素受噪声影响较小,反映图像中相对稳定的信息,且运算只与图像的灰度级数目有关的特征,实现噪声图像的分割。实验结果表明,该算法在分割含噪图像时,不仅提高了传统FCM算法的分割效果,且分割速度明显加快。     

基于形态学重建改进的FCM算法

传统的FCM(fuzzy c-means)算法可以准确的分割多数无噪声图像,但对噪声图像非常敏感。针对于此类问题,提出了一种基于形态学重建的改进FCM算法。首先利用形态学闭合重建算子对含噪图像进行光滑化。然后利用基于邻域信息的改进FCM算法对合成图像及医学图像进行分割处理,最终得出了更加精确的分割结果。通过与其它两类算法进行数值实验对比,验证了所提出算法的有效性和实用性。     

自适应加权空间信息的FCM医学图像分割

提出了改进的mFCM算法,该算法引入自适应加权系数控制邻域像素对中心像素的影响程度,充分利用像素的邻域特性对Chen聚类算法的目标函数进行改进。为了实现快速聚类,该算法的开始使用快速FCM确定初始聚类中心。实验结果表明,相对于标准FCM和FCM_S1算法,改进算法既能快速有效地分割图像,又能提高对噪声的鲁棒性。     

一种利用像素邻域信息的模糊聚类图像分割算法

该文提出了一种改进的模糊C均值聚类图像分割算法,引入像素的8邻域像素的信息,对模糊隶属度函数进行修正。实验结果表明,该文算法比常规FCM算法具有更强的抗噪声能力。     

不同噪声下超像素FCM图像分割算法优化

图像分割经典模糊C均值(FCM)算法需要较长的运行时间。为了提高图像的分割处理精度,利用超像素方法建立了FCM聚类快速分割图像算法。通过分水岭分割算法对其进行优化处理获得快速FCM(FFCM)算法,并进行了详细的试验分析。研究结果表明：相比较多尺度分水岭超像素(MGR-WT)、稳健边缘超像素(RE-SH)方法,FFCM表现出了更优的性能。设置噪声后,FFCM算法发生了分割效果下降的现象。对于高斯与椒盐噪声,采用FFCM算法表现出了优异的概率指数(PRI)、信息误差(VOI)和全局一致性误差(GCE)性能指标,具有更稳定的分割性能。该研究对提高图像分割效果具有很好的实际应用价值。     

基于灰度空间特征的模糊C均值聚类图像分割

模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法没有考虑像素的灰度和空间特征,对噪声十分敏感.因此提出一种改进的算法,在传统的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计来构造新的隶属函数,对图像进行聚类分割.该方法不仅有效地抑制了噪声的干扰,而且把错分类的像素很容易的纠正过来.对两种类型的含噪图像的实验结果表明该方法对噪声具有很强的鲁棒性和对像素聚类的正确性.     

结合小波变换和改进邻域权值的FCM算法

针对改进的模糊C均值聚类算法在进行图像分割时构建的邻域权值函数未能同时考虑空间结构信息和灰度值域信息,而导致对噪声敏感及边缘纹理信息的处理粗糙的问题,提出了一种结合小波变换和改进邻域权值的FCM算法.该算法首先在原始灰度图像的基础上进行小波多分辨率分析的自适应阈值去噪处理;然后在重构图像上结合双边滤波的思想构建一个基于图像块局部空间邻域信息和灰度值域信息的改进邻域权值函数.实验结果表明,该算法比传统FCM算法以及FCM的改进算法有更高的分割精确度,对强噪声更具鲁棒性,图像边缘也更加平整.     

融入空间信息的医学图像优质分割

传统的FCM分割算法只考虑到图像的灰度信息,而忽略了灰度的空间信息,对于迭加了噪声的图像,难以得到准确的结果。从马尔可夫随机场（MRF）中得到启示,考虑到图像灰度信息及其空间分布出发,提出了一种新的基于邻域（Neighbor）信息FCM分割算法,即NFCM算法。实验结果表明该算法所得到的目标图像的边界特征保持完好,图像边界细腻、连续且定位性能好。     

基于混合邻域约束项的改进FCM算法

传统模糊聚类算法在影像分割过程中仅考虑影像的光谱信息,所以对噪声比较敏感.对此,提出基于混合邻域约束项的改进模糊C均值聚类(MNCFCM)算法.首先,从隶属性及光谱属性两方面定义邻域像素关于中心像素的相似度;然后,利用线性加权的方式将从两方面定义的相似度进行融合,同时结合邻域像素到聚类中心的欧氏距离构造混合邻域约束项,并将其引入目标函数中,以平衡影像分割过程中的影像平滑及细节保留,实现对影像的更优分割;最后,通过对合成影像及真实遥感影像分割结果的定性、定量评价,验证所提出算法具有较强的鲁棒性,在降低对噪声的敏感性的同时,能够较好地保留影像细节,获得高精度的分割结果.     

用于脑部核磁共振图像分割的具有抗噪能力的BCFCM算法

脑部核磁共振成像(MRI)是脑疾病临床诊断的重要手段,而脑组织的准确分割则是其中一个重要的环节。然而MRI图像中普遍存在的噪声和偏移场给脑组织的准确分割造成了很大的困难。在MRI图像分割算法中,偏移场矫正模糊C-均值算法(BCFCM)在模糊C-均值聚类算法(FCM)的基础上增加了对偏移场的估计和空间信息的使用,可以很好地消除图像偏移场对分割造成的影响。但是BCFCM算法由于没有考虑到噪声对偏移场估计的影响,因此对高噪声图像的分割效果欠佳。针对MRI脑组织分割,在图像预处理过程中提出一种快速的分割方法来去除颅骨及其附属物。此外,提出基于BCFCM的改进算法,该改进算法在迭代过程中可以通过对噪声强度的估计来自适应地改变目标函数窗口的大小。同时,该算法引入高斯核函数对偏移场进行平滑处理,并通过阈值限制偏移场的估计值,以有效地避免偏移场的错误估计对分割结果的影响。实验结果表明,改进后的算法不仅可以有效准确地 分割脑组织,而且具有较强的抗噪声和处理偏移场的能力。     

Pavement image segmentation based on fast FCM clustering with spatial information in internet of things

Pavement image segmentation needs to deal with noise spots and has real time requirement. The original FCM method only considers the pixel’s gray value and doesn’t fully utilize the spatial information of the image. A new fast FCM algorithm is proposed, and it has noise immunity. By comparing with other FCM algorithms, it achieves better segmentation results through less iteration times and more rapid runtime. It is an effective and noise-resistant algorithm for pavement image segmentation from video multimedia in IOT (internet of things) platform.

     

Fuzzy c-means clustering with non local spatial information for noisy image segmentation

As an effective image segmentation method, the standard fuzzy c-means (FCM) clustering algorithm is very sensitive to noise in images. Several modified FCM algorithms, using local spatial information, can overcome this problem to some degree. However, when the noise level in the image is high, these algorithms still cannot obtain satisfactory segmentation performance. In this paper, we introduce a non local spatial constraint term into the objective function of FCM and propose a fuzzy cmeans clustering algorithm with non local spatial information (FCM_NLS). FCM_NLS can deal more effectively with the image noise and preserve geometrical edges in the image. Performance evaluation experiments on synthetic and real images, especially magnetic resonance (MR) images, show that FCM_NLS is more robust than both the standard FCM and the modified FCM algorithms using local spatial information for noisy image segmentation.     

基于多目标规划的模糊C均值聚类算法

模糊C均值聚类算法(FCM)是一种非常经典的非监督聚类技术,已被广泛地应用到医学图像分割。由于传统的FCM聚类算法在分割图像时仅利用了图像的灰度信息,未利用图像的空间信息,在分割叠加了噪声的磁共振(MR)图像时分割效果不理想。考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,引入多目标规划的概念,提出了一种新的,更加合理的应用图像空间信息的聚类算法。实验结果表明,应用该算法可以有效地分割含有噪声的图像。