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。     

基于半监督的超像素谱聚类彩色图像分割算法

近年来谱聚类算法被广泛应用于图像分割领域,而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割,利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度,利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。     

图像数据库的保局聚类

面对日益增长的图像数据库,为用户提供一个简洁高效的搜索和浏览解决方案成为一个紧迫而且充满挑战的问题．图像聚类技术可以在许多方面为此提供帮助,例如图像数据预处理、用户界面设计．以及对搜索结果的聚类等．在众多聚类算法中,谱聚类（spectral clustering）方法由于能够解决复杂分布数据的聚类问题,以及接近全局最优的性能,成为近年来广受关注的一种方法．然而,目前存在的谱聚类方法,譬如normalized cut在处理新增数据点的聚类时,计算复杂度很高．提出了一种新的聚类算法——保局聚类．保局聚类在拥有许多非线性谱聚类方法优点的同时,又具有独特的数学特性——能提供显式的映射函数．这为在原数据集和新增数据集上进行高效的聚类提供了可能．实验结果显示,保局聚类比K均值聚类和主成分分析后的K均值聚类效果要好．实验同样显示,保局聚类与normalized cut效果可比,而前者更加高效．     

基于加速k均值的谱聚类图像分割算法改进

对谱聚类图像分割算法进行改进,即引入加速均值算法替换原算法中的k均值算法,得出加速谱聚类的图像分割算法.将改进算法应用于微软剑桥研究院Grab cut数据集中的5幅实验图像,结果显示:在平均区域一致性评价不降低的前提下,改进算法完成分割所花费的平均时间比改进前可缩短58％.     

基于改进的FCM算法提取彩色图像有意义区域

针对传统的FCM算法随机获取初始聚类中心与分类类别数的缺陷问题,提出了一种获取初始聚类中心与分类类别数的方法,并采用交叉熵测度准则进行FCM聚类,对彩色图像进行分割,提取有意义区域.实验结果表明,该方法不仅能够提高算法的聚类速度与算法的普适度,而且可以改善图像的聚类效果.与传统的FCM算法相比,该算法更易于实现彩色图像有意义区与背景的分离,分割效果令人满意.     

基于测地线的超像素谱聚类彩色图像分割

在图像分割中谱聚类算法得到了广泛的应用,但传统谱聚类算法易受到彩色图像大小和相似性测度的影响,导致计算量大和分割精度低的问题。为了解决这两个问题,提出一种新的基于超像素集测地线特征的谱聚类分割算法。该方法通过对彩色图像进行预分割得到超像素集,并以超像素集为基础构造加权图,利用测地线距离特征和颜色特征构造权值矩阵,最后应用NJW（Ng-Jordan-Weiss）算法得到最终的分割结果。对比实验结果表明该算法在分割精度和计算复杂度上都有较大改善。     

一种改进的谱聚类彩色图像分割方法

提出一种改进的基于谱聚类的彩色图像分割方法,首先引入Levin's Affinity的权函数代替传统的高斯核函数建立相似矩阵来构造带权无向图,从而更精细地刻画出数据间的特征相似性;其次,采用线性映射将图嵌入到一个由部分特征向量生成的子空间中,使得数据映射到新的空间后也能较好的保留其在原空间中的结构;最后,在生成的子空间中用K均值聚类算法进行聚类从而为每个像素点分配类标签达到彩色图像分割的目的.与相关谱聚类算法进行图像分割的结果比较证实了改进算法的有效性和显著性.     

复杂网络理论在彩色图像分割中的应用研究

图像分割在许多图像处理应用中具有重要作用。为提高彩色图像分割效果,更好的表示图像信息,利用复杂网络理论对彩色图像分割进行研究,从网络社团结构模型的角度分析图像,提出一种更为清晰的彩色图像分割表述方法。根据彩色图像中各像素点之间的相似性构造图像的网络社团结构图,实现对图像数据的建模,之后利用谱聚类社团划分算法对较好的网络社团结构图进行社团检测,进而实现对图像相似像素的聚类,最后得到图像分割结果。在BSDS300图像库上随机选取不同的彩色图像进行实验,通过对图像分割结果的分析研究,结果表明提出的算法在精度方面优于传统彩色图像分割算法,可以实现更好的分割结果,同时验证了社团划分算法进行彩色图像分割的可行性和有效性。     

基于K均值聚类的彩色图像快速分割方法

为克服K均值聚类算法大幅图像分割时运算代价太大、耗时长等问题,论文在K均值聚类算法的基础上,结合块矩阵、查找表技术提出了一种快速彩色图像分割方法.对大量彩色图像的分割实验表明,新算法比传统的K均值聚类算法快了一个数量级,并且该算法产生了较好的分割结果.     

一种彩色图像快速分割方法

提出一种基于HSI和FCM的彩色图像快速分割算法CISHF.首先将彩色图像从RGB色彩空间转换到HSI空间,然后联合利用S(饱和度)分量和 I(亮度)分量进行粗分割,最后针对H(色调)分量进行模糊聚类.根据色调数据的特点,修正了样本数据到聚类中心的距离计算公式,给出统计有效样本权重的算法,对于有效色调值进行样本加权聚类,加快了聚类速度.实验表明,CISHF算法的运算性能大大高于标准FCM算法,获得了较好的彩色图像分割效果.     

一种改进彩色图像分割方法

文章首先通过非线性变换把RGB彩色图像转换为HSV彩色图像,然后和构造的一个卷积模板相乘,将相乘结果用于文中提出的改进粒子群优化算法中,将图像分割出来,从而文章提出了一种新的彩色图像分割方法。经过仿真实验表明,文中提出的方法不仅图像分割效果好,而且运算时间也有明显减少,改进粒子群优化算法收敛快且稳定,从而证明了该方法是可行和有效的。     

Use of Spectral Clustering Combined with Normalized Cuts (N-Cuts) in an Iterative k-Means Clustering Framework (NKSC) for Superpixel Segmentation with Contour Adherence

Superpixel segmentation methods are generally used as a pre-processing step to speed up image processing tasks. They group the pixels of an image into homogeneous regions while trying to respect existing contours. In this paper, we propose a fast Superpixels segmentation algorithm with Contour Adherence using spectral clustering, combined with normalized cuts in an iterative k-means clustering framework. It produces compact and uniform superpixels with low computational costs. Normalized cut is adapted to measure the color similarity and space proximity between image pixels. We have used a kernel function to estimate the similarity metric. Kernel function maps the pixel values and coordinates into a high dimensional feature space. The objective functions of weighted K-means and normalized cuts share the same optimum point in this feature space. So it is possible to optimize the cost function of normalized cuts by iteratively applying simple K-means clustering algorithm. The proposed framework produces regular and compact superpixels that adhere to the image contours. On segmentation comparison benchmarks it proves to be equally well or better than the state-of-the-art super pixel segmentation algorithms in terms of several commonly used evaluation metrics in image segmentation. In addition, our method is computationally very efficient and its computational complexity is linear.     

改进的谱聚类算法在图像分割中的应用

为了消除传统的谱聚类图像分割算法存在的缺陷,提出一种改进的谱聚类图像分割算法.该算法提出余弦相似性加权矩阵,充分利用图像的纹理信息和空间临近信息构造相似性矩阵.在谱映射过程中,利用Nystr(o)m逼近策略估计相似性矩阵及其主特征向量.最后利用优化的K-means算法与优化的粒子群算法相结合的算法对得到的低维向量子空间进行聚类,避免直接采用K-means算法对初始值敏感,易陷入局部最优的缺点.实验证明该算法在运行时间和分割精度方面较传统谱聚类算法均有明显的提高.     

区间模糊谱聚类图像分割方法

近年来谱聚类算法在模式识别和计算机视觉领域被广泛应用,而相似性矩阵的构造是谱聚类算法的关键步骤。针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了区间模糊谱聚类图像分割方法。该方法首先利用灰度直方图和区间模糊理论得到图像灰度间的区间模糊隶属度,然后利用该隶属度构造基于灰度的区间模糊相似性测度,最后利用该相似性测度构造相似性矩阵并通过规范切图谱划分准则对图像进行划分,得到最终的图像分割结果。由于区间模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该方法在分割效果和计算复杂度上都有较大的改善。     

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。     

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.     

A fast SAR image segmentation method based on improved chicken swarm optimization algorithm

Severe speckle noise existed in synthetic aperture radar (SAR) image presents a challenge to image segmentation. Though some traditional segmentation methods for SAR image have some success, most of them fail to consider segmentation effects and segmentation speed at the same time. In this paper, we propose a novel method of SAR image fast segmentation which is based on an improved chicken swarm optimization algorithm. In this method, the positions of the whole chicken swarm are firstly initialized in a narrowed foraging space. Secondly, the grey entropy model is selected as the fitness function of the improved chicken swarm optimization algorithm. Hence, the optimal threshold value is located gradually and quickly by virtue of the foraging behaviors of chicken swarm with a hierarchal order. Experimental results show that our method is superior to some segmentation methods based on genetic algorithm, artificial fish swarm algorithm in convergence, stability and segmentation effects.     

基于PSO与K-均值聚类算法优化结合的图像分割方法

为了提高图像分割的质量和效率,同时,针对粒子群优化算法（Particle Swarm Optimization, PSO）容易陷于局部最优和K-均值算法对初始聚类中心敏感的问题,本文将PSO和K-均值算法相结合,提出一种通过调整惯性权重和学习因子的优化算法。首先,对图像进行去噪预处理,并将处理后的颜色图像转换到HSV空间,以提高色彩质量。然后,改进粒子群算法中的惯性权重和学习因子公式及参数,避免陷入局部最优。最后,根据粒子的适应度切换到K-均值算法执行局部搜索,使聚类中心不断更新实现快速收敛。实验结果表明,在图像分割的过程中,改进的算法具有全局搜索能力强的优点,能够实现更快的收敛速度和更高的分割精度。