基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

结合FCM和SVM的纹理分割算法

支持向量机由于其具备的各种优点在图像分割领域得到越来越广泛的应用。但是作为有监督的分类器,它无法自动获取图像中的类别特征。针对这一问题,提出一种结合模糊聚类技术与支持向量机的纹理分割算法,实现了纹理图像的自动分割。在Matlab 7.0平台下进行仿真实验,得到良好效果。实验结果证明该算法能有效地提高纹理图像分割的精度。     

基于小波变换的纹理图像分割

基于小波的纹理图像分割方法是把小波变换应用于纹理的特征提取。通过对原始纹理图像进行高阶小波分解，构成每个象素对应一个特征矢量，对所提取的特征利用均值举类算法进行分类，最终获得图像的分割结果。为了提高纹理分割图像的边缘准确性和区域性以及降低分割错误率，提出了利用特征加权来进行后分割的方法。     

利用小波变换和FCM算法进行多特征纹理分割

提出了一种基于小波变换和模糊C均值（FCM）算法的两阶段纹理分割方法,各阶段采用不同的纹理特征。而且该特征结合了像素的空域和频域信息。实验表明该方法在分割错误率、边缘准确性及区域一致性方面均有较明显的改善,同时也有较高的分割效率。     

基于多进制小波变换的纹理图像分割

多进制小波分析是二进制小波理论的推广和延伸,因此其在很多方面具有比二进制小波更优良的特性.本文提出了一种基于多进制小波变换的纹理特征提取方法,通过对小波系数的标准差作为纹理测度以生成特征向量,利用C-均值聚类算法进行纹理分割.实验结果好于二进制小波.     

完全无监督的纹理图像分割

借助于完全离散小波分解得到的大量子图像数据作为均值移动算法的收敛数据,寻找灰度直方图中灰度集中收敛点,并对其收敛点进行模糊聚类,达到分割图像的目的.这一方法已经在竹材横截面细胞壁结晶区图像的测量中得到实际应用,并已经取得了良好的效果.     

基于特征散度的自适应FCM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,但其存在距离测度鲁棒性差、需预先给出初始聚类数目、未考虑图像局部相关特性等问题。为克服上述缺点,通过引入特征散度进行距离测度,并结合聚类有效性指数自适应确定初始聚类数目和根据Laws纹理测度提取图像特征等措施,提出了一种新的FCM图像分割算法。实验结果表明,该新算法可以有效地提高图像的分割效果(特别是纹理图像),其分割结果优于现有FCM图像分割方案。     

基于纹理测度与自适应阈值的FCM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,但其存在抗噪能力差、收敛速度慢等不足.本文以FCM 理论为基础,提出一种基于纹理测度与自适应阈值的图像分割算法.该算法首先根据图像局部相关特性,利用Laws 纹理测度提取图像特征,并进行图像的FCM 初分割;然后结合Otsu 准则(最大类间方差法),利用FCM 自适应确定阈值,并对初分割结果进行区域合并.仿真实验表明,该图像分割算法的分割结果与人类视觉感知系统具有良好一致性,其不仅能够有效抑制背景噪声,而且提高了图像分割速度.     

基于离散平稳小波变换和FCM的纹理图像分割

采用离散平稳小波变换对纹理图像进行分解,以各层小波系数中能量为特征相向量,采用模糊c-均值聚类（FCM）对图像分割,并对分割方法进行了改进,提出采用网格法,将图像分解成若干子图像,对图像进行粗分割,再对边缘部分的网格进行细分的两步分割法。试验结果表明该方法显著提高了分割速度和精度。     

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.     

基于小波图像融合算法和改进FCM聚类的MR脑部图像分割算法

针对很多基于模糊C均值(FCM)的图像分割算法存在对噪声敏感和分割轮廓不清晰等问题,提出一种基于小波变换图像融合算法和FCM聚类算法的MR医学图像分割算法。在图像分割系统的第一阶段,利用Haar小波多分辨率特性保持像素间的空间信息;第二阶段,利用小波图像融合算法对得到的多分辨率图像和原始图像进行融合,进而增强被处理图像的清晰度并降低噪声;第三阶段,利用改进型FCM技术对所处理的图像进行分割。在BrainWeb数据集上进行实验,与现有相关算法相比,提出的算法具有较高的分割精度,且对噪声的鲁棒性比较强,处理时间也没有明显增加。     

加权方位特征的纹理图像FCM聚类分割

针对自然纹理的弱规则性特点,提出一种结合图像灰度分布、纹理能量统计的加权FCM纹理分割方法,并在该方法中尝试引入水平位置、垂直位置、中心径向距离等三种方位特征参数。实验证明,该加权FCM聚类算法简单高效、可控性强,纹理分割效果明显,其中样本的三种加权方位特征参数能增强区域分割的聚敛度,有效地提高纹理尤其是非均质粗糙纹理的分割精度。     

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％.     

结合支持向量机与C均值聚类的图像分割

针对支持向量机进行图像分割时需要用户设定训练样本问题,提出一种根据图像特征使用C均值聚类算法自动获取支持向量机训练样本的方法。首先将图像分成几个区域,对每个区域利用小波分解去掉含有图像边缘的区域,然后对剩余的平滑区域计算能量均值作为特征值,使用C均值聚类算法对平滑区域分类,将特征值与类别标记作为支持向量机的训练样本,最后用训练后的分类器对图像进行分割。实验结果表明提出的方法取得了很好的分割结果,同时用一幅有代表性的图像进行支持向量机训练,所产生的分类器可以应用于所有该类图像,因此可以很容易应用到体数据的分割中。     

基于纹理相似栈的超声图像分割方法

超声图像高噪声、低对比度的特点使其含噪图像的纹理信息较难提取。为此,提出一种基于自适应相似栈的聚类分割方法。对超声图像进行自适应去噪获得估计图像,结合超声图像和估计图像建立基于非局部搜索的相似栈列,应用相似栈列对超声图像纹理特征值进行修正,并使用K-means聚类将超声图像划分为互不重叠的区域。实验结果表明,该方法分割结果与人工分割结果的重合度达到93. 28%,在差异较大的样本下重合度标准差为2. 07%,从而验证其可对超声图像实现稳定有效的分割。     

基于目标模糊置信度描述驱动的区域能量进化增长图像分割算法

为了克服经典区域增长算法在复杂目标与背景分布情况下, 停止条件难以确定的不足, 提出基于目标模糊置信度描述驱动的区域能量进化增长图像分割算法. 该算法结合了主动轮廓模型(Active contour model, ACM)、目标数据分布域描述与区域增长三者的优点, 首先利用分割目标的支持向量数据域描述将待分割图像转化为相对于分割目标的模糊置信度表示, 因为分割过程充分利用了有监督学习策略得到的目标特征分布情况, 使得本文提出的算法具有更高的稳定性和更加广泛的适用范围, 特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果. 在区域增长进行分割时, 引入了新的区域能量表示模型作为区域增长的结束判决条件, 分割时逐渐降低目标模糊置信度的门限, 通过对区域能量模型的动态优化来逼近最佳分割结果. 对比实验结果表明本文提出的算法具有更大的灵活性和更好的分割性能.     

基于灰度向量表示的纹理元集的非监控纹理图像分割

提出了一种采用灰度向量描述纹理基元的结构性统计方法,该方法可以较好地提取物体表面的结构特征。在用该方法对纹理进行描述的基础上,采用了改进的模糊C均值聚类算法对提取的纹理特征进行分割。将此方法应用到Brodatz标准纹理分类实验中,得到很好的效果。     

基于多尺度颜色小波纹理特征的火焰图像分割

火焰图像分割质量对基于数字成像的燃烧监测十分重要。受炉膛背景及燃烧工况的影响,难以同时满足火焰图像分割速度和准确度（即火焰图像分割结果与真实火焰接近程度）的需求。提出一种基于多尺度颜色特征和小波纹理特征（MCWT）的无监督火焰图像分割方法,用于提高火焰图像分割的质量和速度。结合火焰图像颜色特征及小波纹理特征构建特征矩阵,对特征矩阵进行压缩并初步检测压缩尺度火焰区域。根据压缩尺度火焰边缘确定原始尺度火焰边缘区域并构建火焰边缘区域特征矩阵,进一步分割得到准确火焰图像分割结果。采用该方法对某工业煤燃烧实验炉内不同燃烧工况下的火焰图像进行分割,并与传统分割方法对比。实验结果表明与其他传统分割方法相比,提出方法能够更准确且快速地实现不同燃烧工况下火焰图像的分割,并且其对于含有高斯噪声和椒盐噪声的火焰图像都具有更好的分割效果。     

改进的快速FCM 图像分割算法

针对模糊C 均值(FCM)聚类算法在图像分割中存在的对初始类中心敏感且迭代过程中计算量大的问题,提出了一种改进的算法。先通过精简数据集,减少算法迭代的时间;再使用样本密度法得到FCM 分割算法的初始聚类中心,以减少算法收敛所需的迭代次数。实验结果表明,改进后的分割算法较好地解决了类中心的初始化问题,提高了算法的收敛速度和运行速度。     

改进K均值与模糊置信度的脑部MRI分割

针对脑部磁共振图像（M RI）的灰度分布特性,提出一种结合灰度距离加权K‐means聚类与模糊置信度的混合医学图像分割方法。采用改进的灰度加权K‐means聚类方法对M RI图像进行训练分类得到粗略分类结果,运用基于支持向量数据域描述（SVDD）的模糊置信度方法对每个类精细分割,得到脑部各组织的输出图像。该算法分割时逐渐增大目标模糊置信度门限,通过对模糊置信度的动态优化来逼近最佳分割结果。在脑部M RI图像上的实验结果表明,该方法在处理图像灰度分布不均匀、存在孤立点、细化轮廓等问题时具有较高的准确度和鲁棒性。