基于最大熵的模糊核聚类图像分割方法

传统聚类算法易陷入局部极值,在数据线性不可分时分类效果较差。为此,提出一种基于最大熵的模糊核聚类图像分割方法。采用最大熵算法对原始图像进行初步分割,求得初始聚类中心;引入Mercer核函数,把输入空间的样本映射到高维特征空间,并在特征空间中进行图像分割。实验结果表明,该方法能减少迭代次数,使分类结果更稳定,从而较好地把目标从背景中分割出来。     

基于改进的分水岭算法图像分割方法研究

研究图像分割中保真问题,针对目前分水岭算法易产生过分割现象,导致图像分割边缘不明显现象,使得分割以后图像失真较大.为了解决上述问题,提出了一种基于空间模式聚类算法和分水岭算法相结合的图像分割方法.首先对图像采用分水岭算法进行图像分割,然后对产生过分割现象的图像区域采用基于空间模式聚类方案进行合并.仿真结果表明,与传统的分水岭图像分割方法相比,分割出的图像边缘效果明显清晰,有效保证原图效果.     

基于K均值聚类分割彩色图像算法的改进

基于人类视觉将图像分割成若干个有意义的区域是目标检测和模式识别的基础.应用K均值聚类算法对图像进行分析,分析了图像的空间、色彩以及纹理特征对聚类效果的影响,针对K均值算法的存在的过分割问题提出了一种修正方法,先基于空间、颜色和纹理特征分割图像,再基于色彩及纹理特征进行合并,解决了K均值聚类产生的过分割问题,并在区域合并时引入修正函数,抑制了图像中因场景明暗变化而产生的斑点.实验结果表明提出的聚类算法对图像分割效果有明显提高.     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法,该方法先采用C均值聚类算法对含噪图像进行初步分割,再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点,可以灵活地用在基于多特征和多阂值的图像分割中,另一方面充分考虑了图像的区域信息,利用模糊熵最小作为准则,对c均值聚类算法初步分割结果的错分类点作了进一步的处理,克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明,本文方法在运算开销上只比C-均值聚类算法多4～6S,对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。     

基于聚类遗传算法的损伤苹果切片图像分割方法

本文提出了一种基于二维最大熵的遗传聚类分割算法。该算法以RGB图像的G分量像素的灰度值为特征向量进行编码,利用二维直方图熵法准则函数作为适应度函数,采用基于排名的选择操作,以一定的概率进行算术交叉和变异,并结合聚类分析设定种群的聚类中心对损伤苹果切片图像进行遗传聚类分割,克服了仅利用一维灰度直方图熵法的误分割,获得了较好的分割效果。     

基于互信息与类距离测度最优的图像聚类

模糊C均值算法用于图像聚类时,仅考虑图像的灰度信息,忽略灰度的空间分布,未充分利用分割前后图像间的关系。从分割后图像的类距离出发,并利用聚类分割前后图像间的互信息,以基于对称分布多样性的粒子群算法为优化技术,构造了一种新的图像分割方法——基于互信息和类距离测度最优的图像聚类算法。对医学图像进行仿真,实验结果表明该算法得到的图像边界清晰连续,图像的内部特征保持完好,与多种聚类算法相比,图像分割的质量明显得到提高。     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

显著特征融合的主颜色聚类分割算法*

针对颜色密度聚类分割模型容易产生误分割的问题,提出基于视觉显著性调节的主颜色聚类分割算法.首先,根据空间颜色信息和Mean-shift算法平滑结果分别计算图像的全局显著特征和区域显著特征,并融合2类显著特征作为特征空间聚类的约束项.然后,采用核密度估计方法计算图像主颜色作为初始类,并将显著特征作为调节因子进行聚类分割.最后,进行区域合并.在标准的分割图像库上进行实验并与多种算法对比,结果表明,文中算法具有更高的区域轮廓准确度,并且有效利用图像显著特征,降低密度聚类形成的区域不一致性,提高像素聚类的精度和分割的鲁棒性.     

基于微粒群算法的二维最大熵图像分割方法

该文研究了基于二维最大熵的图像分割方法,针对二维最大熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于微粒群算法的二维最大熵图像分割方法.该方法运用微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值对作为阈值进行图像分割.实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了离散的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大的提高了计算速度,是一种实用有效的图像分割方法.     

基于空间位置约束的K均值图像分割

K均值聚类分割是一种有效的基于聚类的图像分割算法.传统的K均值聚类分割算法采用特征空间中的相似性测度来度量像素的归属类别.由于自然景物图像的复杂性,位置邻近且本应属于同一分割区域的像素点,由于它们视觉特征的差异性,导致其在特征空间中相距甚远而被分割为不同的区域.以投票的方法将像素的局部空间位置信息引入到K均值聚类分割算法中,达到了改善分割效果的目的.实验结果证实了该方法的有效性.     

基于图像复杂度曲线拟合的快速图像分割方法

针对经典Otsu算法、最大熵算法、最小交叉熵算法等在 低 信噪比图像中分割效果较差的问题,从图像复杂度的角度提出了基于图像背景与目标的对象复杂度的图像分割方法,并采用曲线拟合方法大大减少了计算冗余,提高了算法的实时性与稳定性。实验表明,与经典算法相比,所提快速分割算法具有运行速度快、稳定性与可靠性高等特点,能够有效地解决 低信噪比图像分割效果较差的问题。     

基于特征距离的阈值法及其在眼科图象分割中的应用

医学图象的识别与分析能够为临床提供定量比的诊断依据,而图象分割是其中最关键的一步。为提高医学图象侵分割效果,提出了一种基于特征距离的阈值分割算法,并将其与颜色特征分类相结合,来对眼科裂隙灯生物显微镜图象上的角膜充血区进行分割,分割结果可用于角膜充血区的定量体分析,另外,该算法中的样本典型值是通过一种三维直方图分块算法来确定的,实验结果表明,该算法可以有效地分割出角膜充血,其分割效果优于欧氏距离阈值法,且分析数据的精度能够达到临床诊断的要求。     

基于最大类间方差的最大熵图像分割

最大熵分割算法对于目标与背景之间界限模糊的图像分割效果较好,但该算法对图像边缘的处理能力较差。最大类间方差分割算法对图像边缘的识别能力较强,但该算法对于目标和背景之间界限模糊的图像分割效果不好。针对上述问题,提出了一种基于最大类间方差的最大熵图像分割算法,该算法既能很好地对目标与背景之间界限模糊的图像进行分割,又能有效地识别图像的边缘。实验结果表明,本文所提算法对目标与背景之间界限模糊的图像的分割效果以及对图像边缘的识别能力均优于传统的最大类间方差算法和最大熵算法,且具有更好的有效性和鲁棒性。     

快速最大熵多阈值图像分割算法

阈值方法是一种重要的图像分割方法,在图像分割中得到了广泛的应用。最大熵算法虽然是图像分割阈值法中较好的方法之一,但是,由于传统的最大熵算法通常用穷举法求解,使得处理多阈值问题时运算速度太慢,难以满足应用需求。为了快速有效地确定阈值,提出一种改进的最大熵算法。通过递推公式将穷举法求解过程中需要重复计算的变量,预先计算后存入二维表备用,使整体计算量减少了一个数量级。通过对测试图像的分割实验,表明该算法与传统的最大熵算法相比运算速度有非常显著的提高,能够满足一般的应用需求。     

基于改进的Sobel算子最大嫡图像分割研究

研究图像分割精度问题。针对传统的Sobel算子图像分割容易造成图像分割不清晰、对比度不明显、分割精度低等问题缺陷,提出一种改进的Sobel算子的二维最大墒数字图像分割方法。算法首先根据数字图像特征对图像进行初分割,然后应用Sobel算子检测出数字图像真正的边缘,将通过Sobel算法边缘检测获得的阂值应用到二维最大墒分割方法中。对数字图像目标和目标边缘分别使用不同的阂值进行分割,解决由于局部图像叠加而产生的分割不准确的问题。仿真实验表明,提出的算法对图像分割鲁棒性好,分割准确率高,是一种有效适用的算法。     

基于微粒群算法的二维最大熵图像分割算法

将微粒群算法运用于二维最大熵图像阈值分割法。首先构建图像分割的二维最大熵准则函数,然后采用适用于整数规划的微粒群算法最大化该准则函数,最终实现含噪声干扰下图像的有效分割。分割实验表明,该方法具有较强的抗噪声能力,且比普通和基于遗传算法的二维最大熵法运算速度更快。     

矩不变调整的二维Shannon嫡图像分割及其快速实现

为了克服二维Shannon熵阈值法的缺陷,提出了一种使用矩不变法来调整二维直方图斜分Shannon熵的阈值分割方法。首先将二维直方图斜分原理运用到两种Shannon熵阈值法中,然后利用矩不变法从两种熵阈值法获取的阈值中选择最佳阈值,并提出二维直方图斜分Shannon熵阈值法的一般递推算法,最后将二维直方图分布特性与这种算法有机结合得到新型快速的递推算法。实验结果表明,提出的方法不仅分割效果优于当前的二维直方图斜分的最大熵阈值法,而且运行速度更快,约快4倍。     

基于形态学梯度的分水岭彩色图像分割

图像分割是从图像处理到图像分析的关键步骤之一。在改进了基于地形学距离的分水岭算法的基础上,提出了一种结合图像信息熵、形态学梯度与区域合并的图像分割方法。该算法首先利用信息熵在RGB颜色空间中对彩色图像求其形态学梯度,然后对彩色梯度图进行分水岭分割,最后对分水岭产生的过分割现象进行区域合并。通过Matlab对图像进行实验,结果证明该算法不仅能够减少分水岭算法的过分割现象,而且还提高了图像分割的精确性,同时在图像分割时具有很好的鲁棒性和适应性。     

最大熵和最小交叉熵综合的交互式图像分割

在图像分割中,使用某一种分割方法并不是总有效。最大熵和最小交叉熵阈值化方法是目前常用的两种图像分割方法,但在某些分割应用场合失效。针对此问题,提出基于最大熵和最小交叉熵综合的交互式图像分割方法。首先,利用一种简单的算法将前两种方法有机结合产生一种既满足最大熵原则,又满足最小交叉熵原则的新分割方法,然后通过人机交互,在这三种阈值方法中选择最好的图像分割。仿真实验结果表明,提出的方法不仅分割效果好,算法的普适性增强,而且更实用。