基于模糊C均值聚类与空间信息相结合的图像分割新算法

针对传统的模糊C均值聚类（FCM）图像分割方法未考虑图像的空间信息,对噪声十分敏感的问题,本文提出了一种结合空间信息的模糊C均值聚类分割新算法;该算法将图像的二维直方图引入传统的模糊C均值聚类算法中,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属,以改善传统的PCM算法的分割质量。实验结果表明,该算法显示了较好的分割效果和较强的抗噪性能。     

基于WFCM算法在MRI图像分割中的应用

模糊C均值聚类(FCM)算法是一种基于非监督聚类算法。样本加权模糊C均值聚类(WFCM)算法是FCM算法的改进,该算法能够明显提高收敛速度和聚类的准确性。无论是FCM算法还是WFCM算法,对噪声都相对敏感,而且聚类数目仍然需要人工确定。在此提出一种改进算法,首先通过偏微分方程(PDE)降噪算法对原始脑MRI医学图像进行处理;其次利用聚类有效性确定最佳聚类数目,对WFCM算法进行改进;最后利用本文改进算法对图像进行聚类分割。实验表明,该方法是一种具有自动分类能力、抗噪性较好的模糊聚类图像分割算法。     

基于空间信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值(Fuzzy C-means, FCM)聚类算法对噪声鲁棒性差的问题,提出一种基于空间信息的模糊C-均值噪声图像分割算法。将区域级信息加入FCM目标函数中,并用核度量方法代替传统欧氏距离,计算区域级空间信息与聚类中心的距离,提高算法对噪声的鲁棒性;用原始图像与区域级空间信息的绝对差的倒数和其本身约束原始图像和区域信息项,实现约束项参数的自适应选择;利用连通分量滤波,消除聚类结果中出现的过分割现象,提高分割精度。含噪合成图像和彩色图像实验表明,所提算法在模糊分割系数、模糊分割熵、分割精确度、平均交互比和归一化互信息等方面均优于其他几种聚类算法。     

基于二维直方图与FCM相结合的图像快速分割方法

基于二维直方图的模糊聚类分割方法,可以有效地抑制噪声。但是FCM(模糊C均值)算法用于图像聚类时最大的缺点是运算开销太大,进而限制了该算法在图像分割中的应用。通过构造合理的二维直方图,并筛选出符合规定条件的元素作为聚类样本,再结合FCM算法进行图像分割。实验结果表明该方法具有与基于一维直方图的模糊聚类分割方法速度相近,但却比其分割精度高很多的良好特点。     

改进FCM算法在医学图像分割的方法研究

本文提出使用改进模糊C均值聚类(MFCM)算法和模糊可能性C均值聚类(FPCM)算法的图像分割方法并应用于医学图像分割过程中。MFCM算法是通过调整FCM算法的测量距离来批准标签像素受到其他图像像素和在切分中抑制噪声效果来约束,从而使得成员变量没有最大约束值。基于真实医学图像的实验表明了MFCM算法和FPCM算法在医学图像中进行分割的实际效果,具体是通过对FCM、MFCM、FPCM进行精度对比来验证算法有效性。     

基于Gibbs随机场与模糊C均值聚类的图像分割新算法

模拟C均值聚类(FCM)是一种非常经典的非监督聚类技术,已被广泛用于图像的自动分割.由于传统的FCM算法进行图像分割仅利用了灰度信息,而没有考虑象素的空间位置信息,因而分割模型是不完整的,造成传统FCM算法只适用于分割噪声含量很低的图像.为了克服传统FCM算法的局限性,本文利用Gibbs随机场所描述的邻域关系属性,引入先验空间约束信息,提出拒纳度的概念,建立包含灰度信息与空间信息的新聚类目标函数,继而提出基于Gibbs随机场与模糊C平均聚类的GFCM图像分割新算法.实验证明,利用本文所提GFCM算法可以有效地分割含噪声图像.     

核空间自适应非局部均值鲁棒分割算法

为改善传统模糊C均值(FCM)算 法对噪声干扰下图像的分割效果,提出了一种基于核空间邻域信息和自适应非局部均值相结 合的图像鲁棒分割算法。首先,利用传统FCM聚类算法进行初始聚类分割,将 所得聚类中心作为改进算法的初始聚类中心; 其次通过自适应非局部均值算法对图像进行平滑处理,避免图像过度分割;然后对引入核空 间邻域信息的目标函数进行最优化求解, 获取聚类中心和隶属度的迭代表达式;最后对像素进行分类时,利用邻域像素隶属度对像素 进行进一步滤波处理。实验结果表明:本文的 改进算法与传统FCM聚类算法、核空间FCM(KFCM)算法、基于邻域信息的FCM(FCM S)算法和基 于邻域信息KFCM(KFCM-S)算法相比,改进算法对强噪声干扰下的图像具有较好 的鲁棒性,并且能够有效分割图像的目标信 息和背景信息。从几种算法进行聚类分割结果所对应的峰值信噪比(PSNR)也可以看出,本文 改进算法的PSNR更高。     

基于协方差描述子的彩色图像分割算法

为克服模糊C均值聚类图像分割对噪声较为敏感的缺陷,提出了一种结合协方差描述子的模糊C均值聚类算法。采用协方差描述子的滤波能力以改善传统模糊C均值聚类算法对噪声敏感的缺陷;提取超像素的协方差矩阵作为特征,降低图像识别的特征冗余。并做了仿真实验,对提出的算法与三个图像分割算法进行比较,结果表明该图像分割算法具有较好的噪声鲁棒性和分割准确率。     

基于改进的模糊C均值聚类图像分割新算法

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。为了克服上述问题,提出了一种新的基于改进的FCM图像分割算法。该方法将空间的信息融入到标准的FCM算法中,通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值,该概率在算法执行过程中根据模糊隶属度值自动地予以确定。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。人造图像和实际图像的实验结果表明该方法的有效性和对噪声具有较强的鲁棒性。     

基于上下文模糊C均值聚类的图像分割算法

像素间的上下文相关信息对图像分割算法的抗噪性和准确性具有重要意义,现有的模糊C均值(FCM)聚类算法对此缺乏充分考虑。该文基于对空间上下文的可靠性度量,提出一种模糊C均值聚类算法(RSFCM)应用于图像分割:通过对空间上下文有效建模来提高聚类算法的抗噪声干扰性能,并研究了一种新的可靠性模糊度量指标,使聚类算法能更好地平衡细节保留和去噪,从而获得更加准确的分割结果。实验选取人工合成图像、交通标志图像和遥感图像3类数据测试聚类算法性能,结果表明,RSFCM在图像分割过程中能有效地抑制椒盐噪声和高斯噪声引起的类内异构及类间同构问题,能提高图像的像素可分性,并有效地保留了图像的边缘细节。     

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。     

Massive-scale visual information retrieval towards city residential environment surveillance

Urban residential environment surveillance plays an important role in modern intelligent city. Satellite images have been applied in various fields, and the analysis and processing of satellite images has become an important means to obtain the information perceived by satellites. This paper focuses on city residential environment surveillance based on massive-scale visual information retrieval. Since the shortcomings of low contrast, blurred boundary, large amount of information and susceptibility to noise, the performance of satellite image segmentation is not satisfactory, which will affect residential environment surveillance. We design an improved rough set fuzzy C-means clustering algorithm combined with ant colony algorithm. More specifically, satellite images are classified based on the gradient of pixels according to the indistinguishable relation of the image combined with rough set theory. Then, the traditional fuzzy set-based fuzzy C-means clustering algorithm is applied to the satellite image segmentation technology. Subsequently, the improved algorithm-quantum ant colony algorithm and rough set fuzzy clustering C-means algorithm are combined to achieve accurate segmentation of satellite images. Afterwards, we propose a satellite image retrieval algorithm, which can assist city residential environment surveillance. Comprehensive experiment show that our proposed method is effective and robust in residential environment surveillance.     

基于邻域信息的SAR图像变化检测

为了减少合成孔径雷达(SAR)图像中乘性斑点噪声对变化检测结果的影响,充分地利用了像素的邻域信息。首先使用邻域比值(NR)方法构造差异图像,然后提出基于邻域信息的模糊C均值聚类(FCM)算法。NR算子在构造差异图像时能够较好地保留图像信息并抑制噪声的干扰。同时将邻域信息引入到FCM算法的目标函数,以邻域加权距离改进了FCM算法在欧式距离计算中的不足,并约束了隶属度函数,减少了噪声对邻域中心像素的干扰。通过以上考虑像素邻域信息的算法,得到了差异图像的聚类结果,从而实现了SAR图像的变化检测。实验结果表明,所提算法较传统的FCM和K-means聚类算法,可以较好地保留图像变化区域的信息,同时提高了SAR图像变化检测的准确度。     

Entropy-like distance driven fuzzy clustering with local information constraints for image segmentation

To improve the anti-noise ability of fuzzy local information C-means clustering, a robust entropy-like distance driven fuzzy clustering with local information is proposed. This paper firstly uses Jensen-Shannon divergence to induce a symmetric entropy-like divergence. Then the root of entropy-like divergence is proved to be a distance measure, and it is applied to existing fuzzy C-means (FCM) clustering to obtain a new entropy-like divergence driven fuzzy clustering, meanwhile its convergence is strictly proved by Zangwill theorem. In the end, a robust fuzzy clustering by combing local information with entropy-like distance is constructed to segment image with noise. Experimental results show that the proposed algorithm has better segmentation accuracy and robustness against noise than existing state-of-the-art fuzzy clustering-related segmentation algorithm in the presence of noise.     

基于领域灰度的模糊C均值图像分割算法

模糊C均值(FCM)聚类算法对图像局部灰度值不均匀和噪声十分敏感,提出一种基于像素点灰度补偿校正和邻域信息的FCM新算法.通过预先假定像素点存在加性或乘性噪声,再将像素点的邻域信息引入到噪声模型,经反复迭代调整像素点的噪声值直至最优.在FCM反复迭代的过程中,对算法进行上下截集半模糊化处理,从而提高分类的速率和准确率....     

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。     

基于改进Lazy Snapping算法的红外图像分割方法研究

针对红外图像含大量噪声以及对比度低等特点,提出一种结合快速模糊C均值聚类的改进Lazy Snapping分割方法.对红外图像使用快速模糊C均值聚类算法进行预分割,通过形态学骨架提取的方法在图像中标记出目标和背景种子点,将Lazy Snapping算法由全局分割转化为聚类区域分割,并构造能量函数,通过最小割算法求解能量函...     

一种优化的FCM图像分割方法

结合粗糙集理论,利用像素邻域的空间信息,对图像色彩的分布进行了量化表示,并据此提出一种基于量化粗糙信息的改进图像分割方法,该方法使用局部量化粗糙度和待定算子来更新FCM算法中的隶属度函数,实现图像的初步分割,并针对初步分割后的小区域和相似区域,进行色彩区域的合并操作,来对分割结果进行优化。实验结果表明,相对于传统的模糊C-均值(FCM)聚类分割算法,提出的方法降低了时间复杂度,且具有良好的分割效果。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

基于近邻搜索花授粉优化的直觉模糊聚类图像分割

为克服传统模糊聚类算法应用于图像分割时,易受噪声影响,对聚类中心初始值敏感,易陷入局部最优,模糊信息处理能力不足等缺陷,该文提出基于近邻搜索花授粉优化的直觉模糊聚类图像分割算法。首先设计一种新颖的图像空间信息提取策略,进而构造融合图像空间信息的直觉模糊聚类目标函数,提高对于噪声的鲁棒性,提升算法处理图像中模糊信息的能力。为了优化上述目标函数,提出一种基于近邻学习搜索机制的花授粉算法,实现对于聚类中心的寻优,解决对于聚类中心初始值敏感,易陷入局部最优的问题。实验结果表明所提算法能在多种噪声图像上取得令人满意的分割效果。