于灰色模糊熵的SAR图像快速分割方法*

针对SAR图像特殊的噪声特性,提出一种基于灰色模糊熵的快速图像分割方法。该方法不仅考虑了图像像素的灰度信息,还考虑了像素与其邻域像素的空间相关信息。为弥补传统模糊方法对噪声敏感的缺陷,引入灰色关联分析理论,设计图像当前像素灰度值与其八邻域像素灰度值组成的比较序列,通过计算其与目标点参考序列的灰色关联度修正传统隶属函数,以更精确地描述该灰度值属于目标或背景的模糊隶属度,并进一步给出了灰色模糊熵模型作为选取最佳阈值的准则。此外,为尽快确定最佳隶属度阈值,采用了具有群体智能的粒子群优化算法。实验表明该方法可以在     

一种嵌入局部信息的快速KFCM聚类分割算法

针对核空间模糊局部C-均值聚类分割算法时间复杂性过大而不适合实时场合图像分割需要的问题,提出了一种核空间局部模糊C-均值聚类分割的快速算法。利用像素与其邻域像素之间的空间距离信息和灰度方差信息构造一种加权共生矩阵;将图像像素的一维直方图以及像素与邻域像素之间的二维共生直方图相结合构造了一种新的核空间模糊C-均值聚类分割目标函数,并对其推导获得隶属度和聚类中心迭代表达式;将图像像素采用该算法聚类所得隶属度进行邻域滤波处理,以便改善该算法的抗噪性能。实验结果表明,该分割算法相比核空间局部模糊C-均值聚类分割更有利于实时场合和大幅面图像分割的需要。     

基于分形理论的空间目标图像分割算法

针对像素邻域灰度方差和分形维数提出了一种空间目标的图像分割算法.首先针对空间目标自然背景的特点,从分形理论的相似性上对云背景进行分析,提出了衡量灰度变化程度的指标像素邻域灰度方差,进而建立与灰度图像对应的像素邻域灰度方差图,实现了目标边界奇异性的增强.其次,在对阈值和方差图分形维数关系分析的基础上,提出了灰度方差的阈值选择方法进行仿真,最后给出空间目标图像分割算法的流程,仿真结果验证分割算法是有效的.     

基于差分盒维数的空间目标图像分割算法

基于差分盒子维数提出了一种针对空间目标的图像分割算法.首先根据空间环境目标自然背景与空间目标人造结构的特点差异,从分形理论的相似性上对星空背景进行分析,利用像素邻域灰度方法得到目标和背景的边界.其次,在对给定阈值及该阈值下图像的差分盒维数关系进行分析的基础上,提出基于灰度方差的阈值选择方法.最后给出空间目标图像分割算法的流程,通过诸多仿真空间图像处理验证该分割算法是有效的.     

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.     

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K-L变换和模糊集理论的彩色字符图像分割

根据彩色印刷字符图像的特点,在Lab颜色空间下提取a分量,将彩色图像转换为灰度图像。根据模糊逻辑和阈值分割方法将图像分为目标区域、背景区域以及模糊区域。用K-L变换组合邻域的区域隶属信息和灰度信息,将灰度域换成模糊域,在该模糊域上进行分割。经实践,该算法在工业环境中对复杂背景的彩色印刷图像可以得到较好的分割效果,其时间复杂度不高于传统的阈值分割算法,并且在分割的精确度上要优于传统的阈值分割算法。     

基于捕食者—食饵微粒群优化的二维FCM图像分割方法

传统模糊C均值聚类算法进行图像分割时仅利用了像素的灰度信息,没有考虑像素的空间邻域信息,因此抗噪性能差．为了克服传统模糊C均值聚类算法的局限性,提出了一种基于捕食者—食饵微粒群算法的二维模糊C均值聚类图像分割方法．该方法将图像的聚类分割转化为一个优化问题,根据像素的灰度信息和改进二维直方图描述的像素邻域关系特性,建立包含邻域信息的适应度函数,并利用捕食者—食饵微粒群的全局优化能力,通过迭代优化获得最优聚类中心,实现图像分割．仿真结果表明,所提算法不易陷入局部最优,抗噪能力强,聚类正确性高,分割效果好,是一种有效的图像分割算法．     

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.     

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。