粒子群算法优化归一化划分的彩色图像分割

为克服谱聚类算法求解归一化彩色图像划分时计算复杂度高、寻优能力差的不足,先对彩色图像各通道进行模糊C均值聚类,综合各通道聚类结果获得待分割图像,构造无向带权图;再使用二进制离散化粒子群算法替代谱聚类算法求解归一化划分准则的最小值,最后通过最优粒子获得分割结果。实验表明该方法耗时少,能完整准确地提取彩色图像中的目标。     

基于GFCMA算法的医学彩色图像分割

医学图像分割是医学图像分析的关键步骤，经典的模糊C-均值聚类算法（FCM）是常用方法，但其依赖于初始聚类中心的选择，通常存在局部收敛的缺陷。通过与遗传算法（GA）结合而成的遗传模糊C-均值聚类算法（GFCMA），采用RGB颜色空间，能够得到全局最优解，并在此基础上实现了医学彩色图像分割和特定目标提取，取得良好分割效果。     

基于GFCMA算法的医学彩色图像分割

医学图像分割是医学图像分析的关键步骤,经典的模糊C-均值聚类算法(FCM)是常用方法,但其依赖于初始聚类中心的选择,通常存在局部收敛的缺陷。通过与遗传算法(GA)结合而成的遗传模糊C-均值聚类算法(GFCMA),采用RGB颜色空间,能够得到全局最优解,并在此基础上实现了医学彩色图像分割和特定目标提取,取得良好分割效果。     

基于微粒群优化的模糊C-均值聚类彩色图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题。为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心。由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度。实验表明,这种方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割。     

基于特征加权的自适应FCM彩色图像分割算法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容.基于模糊C均值聚类(FCM)的图像分割是应用较为广泛的方法之一,但其存在需预先给出初始聚类数目,且要考虑各个特征对分类的不同影响等问题.通过引入ReliefF技术进行特征加权,结合聚类有效性指数自适应确定初始聚类数目、根据Laws纹理测度提取图像特征等措施,提出了一种新的FCM彩色图像分割算法.实验结果表明,该算法可以有效地提高图像分割效果,分割结果优于现有FCM图像分割方案.     

基于视觉感知特性的彩色图像分割

图像分割是图像处理的主要问题,也是计算机视觉和模式识别领域中的重要组成部分。文章通过对人类视觉的生理结构的研究,在人类视觉无法辨别的范围内,将彩色图像的RGB亮度范围从原始的0～255缩减为0～26、28、26,既保持了图像的视觉特性,同时减少了表达图像的类的数目,从而能够准确高效的得到图像中各类颜色的极值点。通过这些不同颜色极值点的排列组合来得到初始聚类中心,这种聚类中心的选择考虑了各个图像自身的信息,能得到其精确的聚类中心,减少了图像分割后期迭代的次数,在一定范围内节约了运算时间。实验结果表明,和传统的直方图阈值方法相比,其分割结果的可调控性较强,而且分割效果也较好。     

基于全局优化搜索算法的图像分割研究

基于聚类的图像分割算法中,由于模糊C-均值算法需要初始化,并且目标函数存在许多局部极小点,如果初始化落在目标函数的局部极小点附近,就会造成算法收敛到局部极小.为了解决此问题,采用全局优化搜索算法,提出了将全局优化搜索技术引入进来对模糊C-均值算法加以改进,分析了在不同初始条件下,对许多样本的聚类分析时,全局优化搜索算法比传统的模糊C-均值聚类算法更加有效,通过仿真实验验证并对算法性能进行理论分析.     

基于KL变换的模糊C-均值聚类彩色图像分割

根据图像色彩特征空间的正交特性,以及构成特征空间的特征向量和特征值之间的统计特性,提出了一种新的彩色图像指定区域分割算法。首先在指定区域选取采样像素,通过KL变换计算采样像素的协方差矩阵、特征值、特征向量;由特征向量构成指定区域的色彩特征空间,然后对原色彩空间中的向量进行空间变换和权重变换;最后用模糊C-均值聚类方法聚类变换后的向量,得到分割结果。文中给出了静物图像的聚类分割结果,体现了算法对于指定区域细节分割的准确性。     

改进的K均值聚类算法彩色图像分割的研究

针对传统K均值聚类算法在彩色图像分割中受K值和初始聚类中心影响较大等问题。在基于图像子块划分的基础上给出了一种k值和初始聚类中心确定方法,并用区域生长算法对聚类后的子块进行块后处理,利用提出的算法对多幅自然图像进行了分割实验,并与相似的分割方法进行了比较实验,给出了详细的实验结果与分析。实验表明该方法分割速度快,效果好,具有较高的实用价值。     

基于谱分解的模糊C均值算法在彩色图像分割中的应用

针对模糊C均值聚类算法对初始值敏感、易陷入局部最优以及谱聚类算法无法处理样本量过大的问题,提出了一种将模糊C均值聚类算法与谱聚类算法相结合的模糊谱聚类算法应用于彩色图像分割。大致分为三步,第一步对图像进行预处理,将颜色空间由RGB空间转换为Lab空间;第二步对特征空间进行冗余模糊C均值聚类算法得到冗余类;第三步由冗余类的隶属度矩阵和聚类中心矩阵得到冗余类的特征空间,并根据贴进度和传递闭包将该特征空间转换为冗余类的相似度矩阵进行谱聚类,完成冗余类的合并。实验结果表明,与模糊C均值聚类算法相比,模糊谱聚类算法对于初始值敏感问题、易陷入局部最优以及只能识别团状的蔟得到了很好的解决,从而使彩色图像分割结果更加合理。     

差分演化优化Ncut准则的彩色图像分割

针对解Ncut准则的SM算法寻优能力不足的问题,提出一种基于差分演化优化归一化准则的彩色图像分割算法。首先对彩色图像进行爬山法预分割为多类,并构造类级间的无向完全图,之后再使用二进制差分演化算法求得Ncut准则最小化的图二分,最后通过映射获得图像的二值分割。实验结果表明,在相同预处理情况下,本文的寻优算法与SM算法相比,分割效果更为精准。     

基于混沌粒子群和模糊聚类的图像分割算法*

模糊C-均值聚类算法(FCM)是一种结合模糊集合概念和无监督聚类的图像分割技术,适合灰度图像中存在着模糊和不确定的特点;但该算法受初始聚类中心和隶属度矩阵的影响,易陷入局部极小.利用混沌非线性动力学具有遍历性、随机性等特点,结合粒子群的寻优特性,提出了一种基于混沌粒子群模糊C-均值聚类(CPSO-FCM)的图像分割算法.实验证明,该方法不仅具有防止粒子因停顿而收敛到局部极值的能力,而且具有更快的收敛速度和更高的分割精度.     

基于 PSO的快速模糊 C均值图像分割算法 *

利用粒子群算法全局性和鲁棒性的特点 ,可以解决模糊 C均值算法 ( FCM)用于图像分割时对初始值敏感、容易陷入局部极小值的问题。但是设定粒子群算法的初始搜索范围依赖于人的经验 ,并且所设范围往往过大,影响算法的执行速度 ,为此提出用收敛速度快的 K均值聚类法得到的聚类中心作为粒子群算法初始搜索范围的参考 ,缩小粒子群算法的搜索范围 ,提高算法执行速度。实验表明该算法具有较高的分割速度和良好的抑制噪声的能力。     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.     

结合灰色理论和粒子群算法的归一化图像分割*

为了对多目标图像进行有效分割,使用灰色关联分析来衡量像素点间的相似性,并将normalized cut准则推导为双闽值分割准则,最后使用粒子群算法优化该准则,得出最佳的分割阈值.实验表明该方法计算速度快,能有效分割多目标图像.     

基于蚁群优化多层图划分的彩色图像分割方法

为了消除基于谱聚类的归一化切分图像分割中聚类参数对分割结果的约束,提出了一种基于蚁群优化的多层图划分算法来进行归一化切分,进而对彩色自然景观图像进行分割.该算法将代表图像的相似度图作为蚁群的栖息环境,在归一化割准则的指导下,通过蚂蚁的觅食行为将相似的顶点逐渐聚集在一起,从而以多层的方式完成图划分.为了降低图像分割的计算量,利用超像素对图像进行预处理.实验对比表明,该算法消除了归一化切分分割结果对聚类参数的依赖,并提高了归一化切分分割的准确性和速度.     

基于云模型鱼群算法的多阈值图像分割研究

针对传统鱼群算法在处理图像分割时收敛速度慢,容易陷入局部最优等问题,将云模型和人工鱼群算法结合并有效地应用到多阈值图像分割中。改进后的算法使人工鱼学习能力有所提高,同时满足种群多样性和收敛速度快的特点,避免局部最优得到图像分割的最佳阈值。仿真实验表明,该算法能得到较稳定、快速、清晰的图像分割。     

一种融合对数极坐标映射和归一化割的图像分割算法

为了缩减归一化割算法中权值矩阵的规模,提出了一种融合对数极坐标和归一化割的图像分割算法。首先将均匀采样的图像映射到对数极坐标系下,然后进行归一化割运算,达到减少时间复杂度、提高算法执行效率的目的。实验结果表明该方法能够取得理想的分割效果。