基于目标区域的语义图像检索

提出了一种基于高层语义的图像检索方法,该方法首先将图像分割成区域,提取每个区域的颜色、形状、位置特征,然后使用这些特征对图像对象进行聚类,得到每幅图像的语义特征向量;采用模糊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,然后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,缩小低层特征和高层语义之间的“语义鸿沟”。     

伪随机编码图像的特征点自动检测方法

针对伪随机阵列编码的彩色结构光系统,提出了一种角点自动检测、识别方法。它首先利用聚类分析算法,确定摄像机图像角点和编码模板图像的特征点匹配关系,实现编码图像的识码、解码;然后获取编码图像中有效的、非冗余的角点,并自动输出角点的行列数目及其位置坐标,为亚像素角点检测提供了充分的输入数据。最后,将该算法应用于自主开发的彩色结构光系统上,并用实验检验,结果表明该方法准确、有效,有助于结构光系统的自动化标定。     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

低级特征和语义特征相结合的医学图像检索方法

提出了一种将图像本身的低级特征和语义特征描述相结合的医学图像检索方法。首先提取图像的灰度特征、矩特征和纹理特征，进一步采用遗传算法进行最优特征的选择，由于这些低层特征对图像的描述与人类对图像的描述存在较大差异，直接利用这些特征作为检索依据常得不到满意的结果，因此需要进一步提取语义特征，将影像报告中医生给出的关于图像的描述作为语义内容进行相似性检索。实验结果表明，综合低级特征和语义特征的检索比仅利用低级特征的检索更接近于人的视觉理解。     

基于混合聚类算法的图像分割

本文将像素空间中的图像分割问题转化为特征空间中的数据聚类问题处理,并设计了一种基于遗传算法和模糊c均值算法的混合聚类算法,实现图像分割。实验表明,使用该算法能取得较好的图像分割效果。     

一种由低层视觉特征获取高层语义的图像检索方法

提出了一种在获取图像低层视觉特征(颜色)的基础上,利用语义网络对图像进行语义自动分类,从而建立起低层视觉特征和高层语义特征之间的联系的算法。最后,为了提高检索效率,引进相关反馈技术,实验证明这种方法是行之有效的。     

湖南省教育厅高等学校科研项目资助遥感图像的半监督的改进FCM算法*

对模糊C均值算法进行了改进,采用更适合遥感图像的Mahalanobis距离代替欧氏距离,并在聚类中加入了先验信息。在聚类过程中,未标签的样本通过与已标签的样本进行相似性比较来提高算法的准确性。实验表明,改进的算法能有效提高算法准确度。     

基于进化聚类的图像分割方法

介绍了一个与模糊C均值FCM算法等效的图像颜色分割的方法.首先利用进化聚类对图像中的像素依据其RGB的值进行进化聚类划分,对划分后的各个类的类中心用遗传算法进行优化,然后再对图像中像素进行归类划分,使其满足各类中元素具有较高的相似度,而不同类中的元素相似度差别较大的目标,并与FCM算法进行了实验对比,结果表明经人工评价该算法与模糊C均值FCM算法等效.     

基于FCM和图割的交互式图像分割方法

为了提高在前景和背景颜色相似情况下图像的分割效果,提出了一种基于模糊C均值聚类（FCM）和图割的交互式图像分割方法。首先,利用分水岭算法对图像进行预处理,将图像分成多个小区域,用区域代替像素点进行分析。然后,采用模糊C均值算法对用户标记的前景区域和背景区域分别进行聚类分析,挖掘用户交互所提供的隐藏信息。用未标记区域的颜色分量到前景区域及背景区域类心的最小距离表示相似能量,用未标记区域与其相邻区域的相关性表示先验能量。最后,利用最大流/最小割算法求能量函数的全局最优解。与其他方法相比,该文方法具有较好的分割性能,能从前景背景相似的图像中较精确地提取感兴趣的物体,且用户操作简单。     

FSVM在图像低层特征与高层语义关联中的应用

基于内容的图像检索中,针对图像的低层可视特征与高层语义特征之间的鸿沟,提出了一种新的基于模糊支持向量机(FSVM)的语义关联方法.重点分析了支持向量机语义关联中存在的误分、拒分现象,在传统支持向量机中引入模糊隶属度函数,解决了不可分区域问题.通过对图像低层特征的分析,提取了颜色和形状特征向量(221维),将它们作为模糊支持向量机的输入向量,对图像类进行学习,建立图像低层特征与高层语义的关联.并应用于鸟类、花卉、海洋以及建筑物等几个典型的语义类别检索,实验结果表明,该方法可适应于不同用户的图像检索,在相同的条件下可以达到比支持向量机方法更为理想的语义关联效果,提高了检索性能.     

一种图像底层视觉特征到高层语义的映射方法

基于语义内容的图像检索已经成为解决图像底层特征与人类高层语义之间“语义鸿沟”的关键。根据图像语义检索的思想,提出了一种采用支持向量机(Support Machine Vector)实现图像底层视觉特征到高层语义的映射方法,并在此基础上针对特例库实现了图像的语义标注和检索。实验结果表明,该映射方法能较好地表达人的语义,以提高图像的检索效率。     

基于色彩和边缘特征的图像检索方法

为了改善基于内容的图像检索的效果和提高其检索效率,提出一种基于色彩和边缘特征的图像检索方法。首先将RGB图像分成几个子图像的形式,然后,对于每一个子图像提取其色彩特征和边缘特征,其中边缘特征的获得采用了瞬时保持（MP）边缘检测技术。将这两种特征结合在一起使用,可以实现准确快捷的图像检索。实验结果表明,该方法在检索精度和检索效率上都高于Cheng的两种方法且所用的时间分别为Cheng的方法的10%和3%,检索精度提高近20%。     

快速模糊C均值聚类的图像分割方法

模糊C均值(FCM)聚类算法广泛应用于图像的自动分割,但标准的FCM算法存在计算量大,运算速度慢等问题。对FCM算法进行改进,提出了一种快速FCM图像分割算法(FFCM),该算法将图像从像素空间映射到其灰度直方图特征空间,并在此基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,实验结果表明该算法能快速有效地分割图像,并具有较好的抗噪能力。     

红外图像分割的改进模糊C均值聚类方法

分类数和初始聚类中心的选取对红外图像的分割结果有较大的影响。传统的模糊C均值算法的分类数和聚类中心往往设定为经验值。为获得最佳的分类数,提出采用轮廓指标确定出较理想的分类数。针对传统的模糊C均值聚类算法对初始聚类中心比较敏感的问题,提出了基于直方图灰度值的最小最大距离法来确定初始聚类中心。实验结果表明该方法有效可行。     

基于邻域特征与聚类的图像分割方法

提出一种基于邻域特征和聚类的图像分割方法。该方法提取像素点的5维邻域特征,利用渐进聚类方法使同类元素具有较高的相似度、不同类元素相似度差别较大,从而对图像中的像素进行归类划分,实现目标图像的正确分割。实验结果表明,该方法能准确定位图像边缘,具有较强的抗噪性和较高的分割精度。     

基于遗传FCM算法和SVM的图像检索

提出基于遗传FCM聚类算法和SVM相关反馈的图像检索方法。首先对图像库提取颜色和纹理特征,采用遗传FCM聚类算法对图像进行聚类,得到每个图像类的聚类中心;最后计算查询示例图像和对应图像类的图像之间的相似度,按照相似度的大小返回检索结果。为了进一步提高检索精度,提出基于SVM的相关反馈算法。实验结果表明,提出的方法具有优良的检索性能。     

多核环境下的图像分割并行算法研究

对多核环境下的图像分割并行算法进行研究,在基于正交小波分解的多分辨率图像锥中引入模糊C-均值(FCM)算法,采用OpenMP语言设计P-FCM多核并行模型,并给出该模型的算法实现步骤。在对初始图像数据预处理时,采用矩形块数据分割法进行图像分块,将分块后的子图像数据作为并行运算时的输入数据由主线程分给不同的处理器。实验结果表明,在处理较大图像时,该算法效率较高。     

基于分裂式K均值聚类的图像分割方法

模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响。因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化。实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度。     

基于蚁群和带空间约束FCM的荔枝图像分割算法

准确地提取荔枝果实的完整轮廓对采摘机器人自动识别与采摘至关重要。以蚁群和模糊C均值（FCM）聚类为理论基础,选用符合荔枝颜色特性的L*a*b*颜色空间,提出一种基于蚁群和带空间约束FCM的荔枝图像分割算法。该算法利用L*a*b*颜色空间的a*通道正轴代表红色和负轴代表绿颜色进行初始分割,然后利用蚁群聚类算法全局性和鲁棒性的优点确定FCM的聚类中心,用引入空间约束的FCM完整地分割出荔枝果实。实验结果表明此方法实现了荔枝图像完整地分割,并且满足了采摘机器人后续的荔枝识别与采摘,对成熟荔枝分割的正确率达到了87%。