融合空间信息的改进FCM图像分割算法

针对FCM算法在图像分割时存在选取初始聚类中心不佳与算法抗噪性差的问题,提出一种融合空间信息的改进FCM图像分割算法;首先采用了直方图算法和LOF算法自适应地选取初始聚类中心,之后使用马尔科夫随机场得到先验概率改进目标函数,使用修正隶属度矩阵的方法改进算法流程,最后使用改进算法进行图像分割;为验证该算法性能,使用Berkeley图像数据集作为实验数据,选取Dice系数、JS系数、SA系数、PSNR指数、运行时间及迭代次数作为评价标准;实验结果表明,该算法能够获取更优初始聚类中心,在处理不同噪声图像上有更好的鲁棒性。     

基于马尔科夫随机场的改变势函数的SAR图像分割

随着合成孔径雷达(Synthetic aperture radar)技术的发展,合成孔径雷达技术常应用于地表检测、灾害检测、环保检测工作等方面.SAR图像的分割处理也变得尤为重要.因为马尔科夫随机场(Markov Random Field)结合了邻域像素的空间相关性,所以基于MRF的图像分割法在SAR图像方面得到了广泛...     

基于马尔科夫随机场的炉膛火焰图像分割

提出一种基于马尔科夫随机场模型的火焰图像分割算法。将由系统装置获取的原始火焰图像从RGB空间变换到HSV颜色空间,以提取颜色特征。分别对原始图像建立Potts标记场模型和有限正态混合观测场模型(FGMM),结合颜色特征,运用贝叶斯估计和ICM算法,计算最大后验概率(MAP),并完成图像分割。实验证明,该算法可以有效地分割炉膛火焰图像,为之后的工作奠定了基础。     

基于MRF模型的鲁棒FCM分割算法

FLICM算法是一种基于FCM框架的有效的分割方法。然而,它对于强噪声图像的分割仍然不够准确。本文使用MRF模型的局部先验概率,对FLICM算法从两方面进行了改进。首先,在计算模糊因子时,使用先验概率对距离函数进行加权。改进的模糊因子考虑了更大范围的邻域约束,从而使算法受噪声的影响程度减弱。其次,在分割阶段,进一步使用局部先验概率对FLICM算法的隶属度进行加权。使用改进后的隶属度进行标记判决,使得每一标记的确定需要考虑邻域标记的影响,使分割结果的区域性更好。利用新算法对模拟影像和真实影像进行了分割实验,并与几个考虑空间信息约束的FCM分割算法进行了对比分析,结果证明该算法具有更强的抗噪性能。     

基于图论的快速FCM图像分割算法

研究基于图论的最短路径算法与加权直方图方法,结合快速模糊聚类思想,提出一种改进的快速模糊C-均值(FCM)图像分割算法。利用最短路径算法对图像进行初始化处理,使处理后的灰度值准确反映邻域像素对原像素的影响。通过加权直方图改变灰度变化剧烈区域像元在图像分割中的影响程度,并自适应寻找初始聚类中心。实验结果表明,该算法能快速准确地分割图像,具有较强的抗噪性。     

基于多层马尔科夫随机场融合的图像分割

由于传统图像分割方法对噪声的敏感性和检测结果的不连续性等问题导致图像分割精度较低,提出一种基于多层马尔科夫随机场模型融合的图像分割方法。首先分别通过模糊C均值聚类(FCM)方法和马尔科夫随机场(MRF)方法得到两个分割效果较差的图像,随后运用多层马尔科夫随机场模型的融合特性将两个传统方法得到的分割结果进行融合。该方法运用多层马尔科夫随机场融合方法引入邻域内像素间相关性和各层间的联系,并且在实验中得出与两个传统方法相比较更细致和精确的结果。实验结果表明,多层马尔科夫随机场模型的融合方法可以将两个传统分割方法的结果较好地融合,并且得到更加精确的结果。     

改进马尔科夫随机场的SAR图像建筑物分割

作为城区主要目标之一,建筑物的检测和提取至关重要,而利用图像分割将建筑物从背景中分离出来是后续处理的基础。传统马尔科夫随机场（Markov Random Field, MRF）模型对合成孔径雷达（Synthetic Aperture Radar, SAR）图像进行建筑物分割时只利用了灰度信息,因此对灰度不均匀目标分割完整性较差,且利用最小能量准则分割时未考虑两部分随机场能量的相互关系,从而导致分割结果不能同时兼顾区域一致性与边缘细节性。为此,研究提出一种改进MRF的SAR图像建筑物分割方法。首先,通过在观测场引入由巴氏距离加权的纹理特征,实现对灰度不均匀建筑物的完整提取;其次,在两部分随机场能量中引入随迭代次数变化的权重,实现在建筑物密集区域保持边缘平滑的同时更好地抑制噪声。为了验证算法的有效性和实用性,对不同场景的SAR图像进行处理,结果表明：所提算法在不同场景中均能得到更好的分类正确率和Dice系数。     

基于马尔科夫随机场的图像分割算法

该文整合纹理方面的信息,实现了基于马尔科夫场(MRF)的图像快速分割。通过图像纹理特征利用Gabor滤波器数据特征分量,通过马尔科夫算法将像素分类获得分割结果。     

马尔可夫随机场约束下的PCM图像分割算法

与模糊c均值（FCM）算法相比较,可能性C均值（PCM）聚类算法具有更好的抗干扰能力。但PCM聚类算法对初始化条件很敏感,在聚类的过程中很容易导致聚类结果一致性,并且没有考虑到像素的空间信息,用在图像分割尤其是多目标图像分割上效果极不稳定。在PCM算法的基础上,利用Markov随机场中的邻域关系属性,引入先验空间约束信息,建立包含灰度信息与空间信息的新聚类目标函数,提出马尔可夫随机场与PCM聚类算法相融合的图像分割新算法（MP．CM算法）。实验结果表明,在多目标图像分割上利用MPCM算法可以取得比PCM更好的分割效果。     

基于马尔科夫随机场的图像锐化方法

针对常规的反锐化掩膜方法对图像进行增强时会放大噪声的问题,提出一种基于马尔科夫随机场理论的图像锐化方法,将Thin Plate先验能量函数引入到反锐化掩膜方法中。实验结果表明,该方法在突出图像边缘细节的同时,可有效抑制噪声。主观视觉效果和客观评价结果表明,该方法的处理效果较好。     

结合马尔可夫随机场与模糊C-均值聚类的脑MRI图像分割

脑磁共振成像(MRI)在临床上得到了大量的应用,准确分割脑组织结构可以提高脑疾病诊断的可靠性和治疗方案的有效性。模糊C-均值聚类(FCM)算法擅长解决图像中存在的模糊性和不确定性问题,是最常用的脑MRI分割方法。但因FCM仅利用图像灰度信息,没有考虑区域信息,导致其抗噪性能很差,常与区域信息结合进行改进。马尔可夫随机场(MRF)算法充分利用了图像区域信息,但容易出现过分割现象,因此FCM常与MRF进行结合改进。针对现有的FCM和MRF结合方式上存在的问题,提出了一种新型的自适应权值的FCM与MRF结合算法,用于脑MR图像分割。该算法利用了图像邻域像素的区域相关性,自适应的更新联合场的权值,改进了现有的权值固定的结合方式,充分发挥了FCM和MRF各自的优势,使二者结合更加合理。实验结果表明,本文算法较FCM和现存的一些FCM改进算法有更强的抗噪声能力和更高的分割精度。     

基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割

为了更有效地对被噪声污染的脑部MR图像进行分割,提出了一种基于模糊核聚类和模糊Markov随机场的脑部MR图像分割算法。该算法在使用高斯径向基函数的核聚类目标函数中,引入了基于Markov随机场的补偿项,作为分割算法的空间约束。这种空间补偿项用Gibbs分布描述,实际上是一种归一化的核函数,其和用来度量灰度特征的核函数的形式是相似的,并且这种空间约束利用了分割结果的模糊信息。这种基于核函数和Markov随机场模型的算法克服了传统聚类以及核聚类算法的缺陷,不仅提出了更加合理的空间约束, 而且改善了原有的分割模型,因此可以得到更加分段光滑的聚类结果。通过对合成图像、模拟MR图像以及临床MR图像进行的分割实验以及和标准分割结果的比较表明,该算法优于相关算法,可以有效地分割被污染的MR图像。     

基于多变量类别自适应的图像分割算法

提出一种根据分割要求自动配置区域平滑性的图像分割算法.通过对现有的类别自适应空间变量混合模型进行改进,修改模型算法中Markov随机场的势函数部分,在判断分割区域环节时引入了像素的色彩或灰度信息,使改进后算法的稳定性有明显提升;同时增加了像素强度系数α以及算法的灵活性,提高了其实用价值.最后在MIT及Berkeley的分割测试图片上进行仿真实验,证明了该算法的有效性.     

粒子群模糊聚类方法在病理图像分类中的应用

结合模糊C均值(FCM)算法局部搜索的特点,将PSO优化聚类结果作为后续FCM算法的初始值,使算法有很强的全局搜索能力.同时,采用Markov随机场与模糊聚类的耦合策略计算适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心,并将该方法应用于病理图像的分割.与传统的处理方法进行了比较,结果表明,该聚类更为准确且对病理图像的分割效果比原算法效果更好,但对于如何减少算法的运算量仍需作深入研究.     

基于TS-MRF与模糊MLL模型的图像分割

基于树结构的马尔可夫随机场（TS-MRF）,提出模糊多级逻辑模型（fuzzy MLL）,并提出了一种新的图像分割算法——模糊TS-MRF算法。与传统的MRF分割算法和TS-MRF算法比较,该方法在计算耗时增加很少的情况下,对分割精度提高较大。更为重要的是,该方法提供了一个新思路,使得基于MRF的先验信息的描述更为精细。     

基于模糊马尔可夫场的脑部MR图像分割算法

在传统马尔可夫场模型的基础上,建立了模糊马尔可夫场模型。通过对模型的分析得出图像像素对不同类的隶属度计算公式,提出了一种高效、无监督的图像分割算法,从而实现了对脑部MR图像的精确分割。通过对模拟脑部MR图像和临床脑部MR图像分割实验,表明新算法比传统的基于马尔可夫场的图像分割算法和模糊C-均值等图像分割算法有更精确的图像分割能力。