一种CT医学图像分割新算法

针对临床辅助诊断的需要,提出了一种结合传统分水岭算法和新型核聚类算法的CT医学图像分割新算法。首先,通过分水岭变换,CT图被分割成不同的小区域。然后,根据改进的KFCM算法,利用Mercer核将各个小区域的平均灰度值映射到高维特征空间,使得原来在分水岭算法分割图中未显示出来的特征显现出来。通过此方法,相较于传统核聚类(KFCM)算法,我们可实现更准确的聚类,并有效解决分水岭算法分割CT医学图像的过分割问题,因此能取得更好的分割效果。实验结果显示,本文方法能够很好分割腹腔CT图,获得更清晰的分割图像。     

结合空间信息的FCM聚类噪声图像分割方法

标准模糊C均值聚类算法由于没有考虑任何与图像空间连续性有关的信息,对噪声高度敏感,针对这一问题,提出一种基于图像空间信息的FCM聚类分割算法。该算法将图像像素的空间信息引入到相似性度量和隶属度函数中,其中空间信息由像素的相对位置和邻域内像素的特征决定。实验结果证明,该方法能有效地对含有一定噪声的图像进行分割,具有较好的抗噪性能。     

混合分水岭变换和改进FCM的图像分割方法

分水岭变换是图像分割的一种强有力的形态工具,能够自动生成一系列封闭分割区域。其不足之处是过分割、对噪声敏感。为克服分水岭变换固有的缺点,综合利用非线性滤波和改进的FCM算法优化分水岭变换得出的初始分割,提出了一种新的混合分割算法-HWIF（Hybrid Watershed and Improved FCM）分割法。与MeanShift算法及区域合并算法相比,该方法充分利用了区域的灰度和区域间的空间信息。实验结果表明该算法能有效克服分水岭算法的过分割问题,且分割效果优于以上两种方法。     

一种自适应的模糊C均值聚类图像分割方法

针对传统的模糊C均值聚类算法(FCM)在图像分割中对噪声十分敏感这一局限性,提出一种自适应的FCM图像分割方法。该方法充分考虑图像像素的灰度信息和空间信息,根据像素的空间位置自适应地计算一个合适的相似度距离来进行聚类分割图像。实验结果表明,与传统的FCM相比,该方法能显著提高分割质量,尤其是能提高对于图像噪声的鲁棒性和分割图像区域边缘的准确性。     

利用空间信息的核模糊C均值聚类算法

模糊聚类,特别是模糊C均值聚类算法（FCM）广泛地运用到图像的分割中。但是传统的算法未对数据对特征进行优化,亦未考虑图像的空间信息,对噪声图像分割不理想。在FCM目标函数中引入核函数,用内核引导距离代替传统的欧式距离,同时考虑到邻近象素的影响,增加了空间约束项,提出了利用空间信息的核FCM算法。通过对模拟图和仿真脑部MR图像的分割实验证明,该算法可以有效的分割含有噪声图像。     

基于分水岭变换和FCM的图像分割

针对分水岭变换算法对噪声敏感和易于产生过分割的问题,提出了一种基于分水岭变换和模糊C均值聚类(FCM)的图像分割算法。该算法不仅解决了分水岭变换算法的过分割问题,而且同时解决了FCM算法初始值难以确定的不足。实验结果显示,该算法可以快速准确地分割出目标,是一种有效的方法。     

基于快速mean-shift聚类与标记分水岭的图像分割方法

针对传统分水岭变换算法在图像分割过程中容易产生过分割问题,提出基于快速mean-shift聚类和标记分水岭变换的图像分割算法。首先利用快速mean-shift聚类算法对原始图像进行预处理,确定分割区域和聚类数目;利用sobel算子进行梯度处理;对处理后的图像做形态学运算,并给每个集水盆分配不同的标记,按升序访问每个像素点,依次浸没到集水盆中,完成图像分割。实验结果表明,该方法可以有效分割医学影像,并解决了分水岭变换引起的过分割问题。     

结合差异控制的FCM方法在MR图像分割中的应用

应用模糊核聚类产生的聚类中心作为FCM方法的初始聚类中心,同时引入差异控制函数对考虑了空间信息的FCM方法的隶属函数进行修正,加入差异控制函数的隶属函数将边缘区域、面积较小区域、噪声与区域内部点区别对待,提高了分割的正确性。实验结果表明：对加入噪声的MR图像应用该文方法分割,得到的结果相对于标准FCM方法以及加入空间信息的FCM方法具有更好的正确性和分割结果的完整性,同时算法的迭代次数也极大减少了。     

基于FFCM和分水岭算法的图像分割方法

提出了一种将FFCM算法与分水岭算法相结合的图像分割方法。针对均值聚类算法没有考虑图像空间信息的欠缺,本文将分水岭分割方法与均值聚类法相结合。由于分水岭分割后的图像灰度分布较为集中,故采用了快速模糊C均值聚类,并根据实验过程中得出的数据,分析了FFCM与FCM计算量的差别。最后将本文所采用的算法编程实现,得出了较为满意的分割结果。     

结合爬山法的模糊C均值彩色图像分割方法

采用传统的模糊C均值聚类(FCM)算法进行彩色图像分割存在聚类数的选取、初始聚类中心的确定、迭代过程中的大计算量及后处理等问题。在对上述问题进行研究的基础上,针对传统FCM聚类分割时初始值选取方法的盲目性和随机性,为了更准确地自动获取待分割图像聚类的初始参数,提出了一种结合爬山法的模糊C均值彩色图像分割方法(HFCM),该方法可根据待分割图像的三维颜色直方图自适应地获取FCM算法的初始聚类中心及聚类数目,同时提出一种最频滤波与区域合并相结合的新的后处理策略,有效消除了小的空间区域。实验表明,相对于传统FCM,该图像分割方法的速度较快,并且分割结果更接近人类分割效果。     

基于空间信息的可能性模糊C均值聚类遥感图像分割

可能性模糊C均值(PFCM)聚类算法作为模糊C均值(FCM)聚类算法的一种改进算法,能在一定程度上克服FCM算法对噪声的敏感性;但由于PFCM没有考虑像元间的空间信息,对含有较大噪声的图像分割效果依然不理想。为此,提出一种新的基于空间信息的PFCM算法(SPFCM),克服了PFCM算法对含有较大噪声的图像分割效果不佳的缺点。通过对人工图像和IKONOS遥感图像进行分析,结果表明,SPFCM算法无论是在视觉上还是在分割正确率上都优于传统的FCM算法、PFCM算法及两种加入空间信息的FCM算法;对于含有高斯噪声和盐椒噪声的图像,平均分割正确率高达99.71%,是一种去噪效果较好的图像分割算法。     

基于空间特征的谱聚类含噪图像分割

为克服传统谱聚类算法应用到含噪图像分割时易受到图像中噪声影响的问题,提出一种基于空间特征的谱聚类含噪图像分割算法。该方法利用图像各个像素的灰度信息、局部空间邻接信息及非局部空间信息设计像素的三维特征,通过引入空间紧致性函数建立像素特征点与其K个最近邻之间的相似性,进而利用谱聚类算法得到图像的最终分割结果。实验中采用含噪的人工图像、自然图像及合成孔径雷达图像与空间模糊聚类、规范切谱聚类和Nystrm方法3种算法进行对比实验,实验结果验证文中方法能克服图像中噪声影响并取得较满意的分割效果。     

一种新的局部分水岭模型在图像分割中的应用

为了提高图像分割算法对图像显著区域的抓取能力及效率,将超像素思想与分水岭算法相结合,并且在模糊C均值聚类算法（Fuzzy C-means,FCM）的基础上进行改进,提出了一种基于网格化局部分水岭的模糊聚类算法。该方法先根据区域方差将图像进行不均匀网格化,再对每个网格使用局部最优阈值的分水岭算法,减少了全局分水岭带来的局部信息遗失,获得各个网格内的显著性聚水盆,再实施区域融合,将每个标记区域的灰度均值化,最后使用考虑区域面积的FCM进行聚类,得到最终的分割图像。实验结果表明,该算法对噪声的鲁棒性强,能够有效剔除干扰区域,分割出图像中的显著区域,同时也具有较低的时间复杂度。     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。     

Image Segmentation Based on Adaptive Cluster Prototype Estimation

An image segmentation algorithm based on adaptive fuzzy c-means (FCM) clustering is presented in this paper. In the conventional FCM clustering algorithm, cluster assignment is based solely on the distribution of pixel attributes in the feature space, and does not take into consideration the spatial distribution of pixels in an image. By introducing a novel dissimilarity index in the modified FCM objective function, the new adaptive fuzzy clustering algorithm is capable of utilizing local contextual information to impose local spatial continuity, thus exploiting the high inter-pixel correlation inherent in most real-world images. The incorporation of local spatial continuity allows the suppression of noise and helps to resolve classification ambiguity. To account for smooth intensity variation within each homogenous region in an image, a multiplicative field is introduced to each of the fixed FCM cluster prototype. The multiplicative field effectively makes the fixed cluster prototype adaptive to slow smooth within-cluster intensity variation, and allows homogenous regions with slow smooth intensity variation to be segmented as a whole. Experimental results with synthetic and real color images have shown the effectiveness of the proposed algorithm.     

Novel modified fuzzy c-means algorithm with applications

Fuzzy c-means (FCM) clustering algorithm has been widely used in many medical image segmentations. However, the conventionally standard FCM algorithm is noise sensitive because of not taking into account the spatial information. To overcome the above problem, a novel modified FCM algorithm (called FCM–AWA later) for image segmentation is presented in this paper. The algorithm is realized by modifying the objective function in the conventional FCM algorithm, i.e., by incorporating the spatial neighborhood information into the standard FCM algorithm. An adaptive weighted averaging (AWA) filter is given to indicate the spatial influence of the neighboring pixels on the central pixel. The parameters (weighting coefficients) of control template (neighboring widow) are automatically determined in the implementation of the weighted averaging image by a predefined nonlinear function. The presented algorithm is applied to both artificial synthesized image and real image. Furthermore, the quantifications of dental plaque using proposed algorithm-based segmentation were conducted. Experimental results show that the presented algorithm performs more robust to noise than the standard FCM algorithm and another FCM algorithm (proposed by Ahmed) do. Furthermore, the results of dental plaque quantification using proposed method indicate the FCM–AWA provides a quantitative, objective and efficient analysis of dental plaque, and possesses great promise.     

基于空间势函数加权的模糊C均值聚类分割算法

提出了一种基于空间势函数加权的FCM图像分割新算法。该方法将空间邻域的势函数信息融入到原始的FCM算法中,权重在该方法中起核心作用,它是根据最近邻(k-NN)算法的原则将势函数信息扩展到邻域像素中。算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高。实验结果表明了该方法的有效性及其对噪声的较强鲁棒性。     

基于人工蜂群与模糊C均值的自适应小波变换的噪声图像分割

针对传统模糊C均值（FCM）聚类算法在处理噪声图像时易受到噪声影响的问题,提出了基于FCM的小波域特征增强的噪声图像分割方法。首先,将噪声图像进行二维小波分解;其次,对近似系数进行边缘增强,同时利用人工蜂群（ABC）优化算法对细节系数进行阈值处理,并将处理后的系数进行小波重构;最后,对重构后的图片使用FCM算法来进行图像分割。选取5幅典型的灰度图像,分别添加高斯噪声和椒盐噪声,使用多种方法进行分割,以分割后图像的峰值信噪比（PSNR）和误分率（ME）作为性能指标,实验结果表明,所提方法分割后的图片相较于传统FCM聚类算法分割方法和粒子群优化（PSO）分割方法分割后的图片在PSNR上最多分别有281%和54%的提升,在ME上最多分别有55%和41%的降低。可见所提出的分割方法较好地保留了图像边缘纹理信息,其抗噪性能与分割性能得到了提升。     

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.     

湿地遥感图像分割算法设计及实现

提出了一种结合熵和模糊C均值的聚类分割方法。模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感,基于二维直方图的模糊C均值聚类算法除了考虑像素点的灰度信息外还考虑了像素点邻域的空间信息,可有效地抑制噪声;在目标函数中引入熵项则能更好地抑制噪声和外围点对类中心估计的影响。实验分析结果表明,算法对湿地遥感图像的分割效果优于FCM算法。