快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

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。     

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。     

一种快速鲁棒核空间图形模糊聚类分割算法

针对现有鲁棒图形模糊聚类算法难以满足强噪声干扰下大幅面图像快速分割的需要，提出一种快速鲁棒核空间图形模糊聚类分割算法。该算法将欧氏空间样本通过核函数映射至高维空间；采用待分割图像中像素邻域的灰度和空间等信息构建线性加权滤波图像，对其进行鲁棒核空间图形模糊聚类；并引入当前聚类像素与其邻域像素均值所对应的二维直方图信息，获得鲁棒核空间图形模糊聚类快速迭代表达式。对大幅面图像添加高斯和椒盐噪声进行分割测试，实验结果表明:本文算法相比基于图形模糊聚类等分割算法的分割性能、抗噪鲁棒性和实时性有了显著提高。     

结合空间信息的FCM聚类噪声图像分割方法

标准模糊C均值聚类算法由于没有考虑任何与图像空间连续性有关的信息,对噪声高度敏感,针对这一问题,提出一种基于图像空间信息的FCM聚类分割算法。该算法将图像像素的空间信息引入到相似性度量和隶属度函数中,其中空间信息由像素的相对位置和邻域内像素的特征决定。实验结果证明,该方法能有效地对含有一定噪声的图像进行分割,具有较好的抗噪性能。     

基于混合邻域约束项的改进FCM算法

传统模糊聚类算法在影像分割过程中仅考虑影像的光谱信息,所以对噪声比较敏感.对此,提出基于混合邻域约束项的改进模糊C均值聚类(MNCFCM)算法.首先,从隶属性及光谱属性两方面定义邻域像素关于中心像素的相似度;然后,利用线性加权的方式将从两方面定义的相似度进行融合,同时结合邻域像素到聚类中心的欧氏距离构造混合邻域约束项,...     

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.     

基于改进谱聚类的图像分割算法

针对传统谱聚类算法应用于图像分割时仅采用特征相似性信息构造相似性矩阵,而忽略了像素分布的空间临近信息的缺陷,提出一种新的相似性度量公式--加权欧氏距离的高斯核函数,充分利用图像特征相似性信息和空间临近信息构造相似性矩阵。在谱映射过程中,采用Nystrom逼近策略近似估计相似性矩阵及其特征向量,大大减少了求解相似性矩阵的运算复杂度,降低了内存消耗。对得到的低维向量子空间采用一种新型的聚类算法--近邻传播聚类算法进行聚类,避免了传统谱聚类采用K-means算法对初始值敏感,易陷入局部最优的缺陷。实验表明该算法获得了比传统谱聚类算法更好的分割效果。     

基于模糊C均值与Markov随机场的图像分割

针对传统模糊C-均值(FCM)图像分割算法没有考虑图像空间连续性的缺点,提出一种改进的空间约束FCM分割算法。该算法引入了Markov随机场理论中类别标记的伪似然度近似策略,将像素特征域相似性同空间域相邻性有机地结合起来,给出了新的像素样本聚类目标函数。实验证明,该算法能大大提高分割性能并改善分割的视觉效果。     

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。     

双中心组合迭代抑制式模糊C-均值聚类图像分割算法

针对抑制式模糊C-均值聚类算法应用于灰度图像分割时出现收敛速度较慢和像素误判的问题,通过挖掘图像同质区域内像素间的相关性与分析像素位置对类别判定的影响,提出一种双中心组合迭代抑制式模糊C-均值聚类图像分割算法.首先在图像上经选点、扩展、提取等环节优选出较好的初始聚类中心;然后按该中心分别查找图像中灰度值与其相等的像素位置并遴选产生隐藏中心;其次采用负指数函数对像素位置与隐藏中心之间的欧氏距离进行归一化,得到位置特征;接着在对该特征赋权后直接修正模糊划分矩阵;最后结合抑制式思想进一步减少算法的迭代次数.与现有的多种相关算法进行对比,实验结果表明,所提出算法在获得致密且分离性较好聚类的同时,能够改善图像分割的准确率和执行效率.     

Optimal-selection-based suppressed fuzzy c-means clustering algorithm with self-tuning non local spatial information for image segmentation

Suppressed fuzzy c-means clustering algorithm (S-FCM) is one of the most effective fuzzy clustering algorithms. Even if S-FCM has some advantages, some problems exist. First, it is unreasonable to compulsively modify the membership degree values for all the data points in each iteration step of S-FCM. Furthermore, duo to only utilizing the spatial information derived from the pixel’s neighborhood window to guide the process of image segmentation, S-FCM cannot obtain satisfactory segmentation results on images heavily corrupted by noise. This paper proposes an optimal-selection-based suppressed fuzzy c-means clustering algorithm with self-tuning non local spatial information for image segmentation to solve the above drawbacks of S-FCM. Firstly, an optimal-selection-based suppressed strategy is presented to modify the membership degree values for data points. In detail, during each iteration step, all the data points are ranked based on their biggest membership degree values, and then the membership degree values of the top r ranked data points are modified while the membership degree values of the other data points are not changed. In this paper, the parameter r is determined by the golden section method. Secondly, a novel gray level histogram is constructed by using the self-tuning non local spatial information for each pixel, and then fuzzy c-means clustering algorithm with the optimal-selection-based suppressed strategy is executed on this histogram. The self-tuning non local spatial information of a pixel is derived from the pixels with a similar neighborhood configuration to the given pixel and can preserve more information of the image than the spatial information derived from the pixel’s neighborhood window. This method is applied to Berkeley and other real images heavily contaminated by noise. The image segmentation experiments demonstrate the superiority of the proposed method over other fuzzy algorithms.     

基于改进犹豫模糊C-均值的图像分割

犹豫模糊C-均值(hesitant fuzzy C-means, HFCM)聚类算法在一定程度上处理了图像中不同像素块之间的不确定性, 但由于其目标函数中不包含任何局部空间信息, 因此对噪声比较敏感, 当噪声较大时无法获得较好的分割精度. 针对上述问题, 提出了一种改进犹豫模糊C-均值(improved hesitant fuzzy C-means, IHFCM)的图像分割方法. 首先给出了犹豫模糊元(hesitant fuzzy element)的补齐方法, 然后提出了犹豫模糊元之间的相似性度量, 利用犹豫模糊元之间的相似性度量构造了新颖的模糊因子融合到HFCM的目标函数中, 新的模糊因子不仅考虑了局部窗口中的空间信息而且考虑了像素间的相似性, 平衡噪声带来的影响且保留了图像细节. 最后, 在合成图像、BSDS500数据集图像以及自然图像上的分割实验结果表明, 所提出的IHFCM算法对噪声有良好的鲁棒性, 提升了分割精度.     

A fast and robust image segmentation using FCM with spatial information

Automated segmentation of images has been considered an important intermediate processing task to extract semantic meaning from pixels. In general, the fuzzy c-means approach (FCM) is highly effective for image segmentation. But for the conventional FCM image segmentation algorithm, cluster assignment is based solely on the distribution of pixel attributes in the feature space, and the spatial distribution of pixels in an image is not taken into consideration. In this paper, we present a novel FCM image segmentation scheme by utilizing local contextual information and the high inter-pixel correlation inherent. Firstly, a local spatial similarity measure model is established, and the initial clustering center and initial membership are determined adaptively based on local spatial similarity measure model. Secondly, the fuzzy membership function is modified according to the high inter-pixel correlation inherent. Finally, the image is segmented by using the modified FCM algorithm. Experimental results showed the proposed method achieves competitive segmentation results compared to other FCM-based methods, and is in general faster.     

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。     

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。     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。     

Improved fuzzy clustering algorithm with non-local information for image segmentation

Fuzzy C-means(FCM) has been adopted to perform image segmentation due to its simplicity and efficiency. Nevertheless it is sensitive to noise and other image artifacts because of not considering spatial information. Up to now, a series of improved FCM algorithms have been proposed, including fuzzy local information C-means clustering algorithm(FLICM). In FLICM, one fuzzy factor is introduced as a fuzzy local similarity measure, which can control the trade-off between noise and details. However, the fuzzy factor in FLICM cannot estimate the damping extent of neighboring pixels accurately, which will result in poor performance in images of high-level noise. Aiming at solving this problem, this paper proposes an improved fuzzy clustering algorithm, which introduces pixel relevance into the fuzzy factor and could estimate the damping extent accurately. As a result, non-local context information can be utilized in the improved algorithm, which can improve the performance in restraining image artifacts. Experimental results on synthetic, medical and natural images show that the proposed algorithm performs better than current improved algorithms.     

基于蚁群算法的图像分割方法

蚁群算法是一种具有离散性?并行性?鲁棒性和模糊聚类能力的进化方法?根据数字图像的离散性特点,首先从模糊聚类角度出发,将蚁群算法引入图像分割中,综合考虑像素的灰度?梯度及邻域特性进行特征提取?然后,针对蚁群算法循环次数多,计算量大的问题,设置启发式引导函数和初始聚类中心进行改进?详细阐述特征提取?初始聚类中心设置和模糊聚类流程?实验证明改进蚁群算法可以快速准确地分割出目标,是一种有效的图像分割方法     

基于正则割（Ncut）的多阈值图像分割方法

在图像处理与目标识别中广为应用的阈值法是图像分割的一种重要方法,因此如何确定阈值是图像分割的关键。提出了一种新的图像阈值分割方法,把图像的一维灰度直方图的灰度级L和对应灰度级L的概率P视为二维平面上的点（L,P）,采用新的相似度函数来定义这些点之间的相似度,从而构建基于灰度级的相似度矩阵,然后使用正则割（Ncut）进行分类,根据分类结果确定图像的分割阈值。算法用基于灰度级的权值矩阵代替基于像素级的权值矩阵来描述图像像素的关系,因而需要的存储空间及实现的复杂性大大减少;与现有的阈值分割方法相比,该算法能够单阈值和多阈值分割图像,因此具有更为优越的性能。