谱聚类图像分割算法研究

针对谱聚类算法对图像分割效果差强人意的特点,研究了一种改进的Nystrm算法进行谱聚类图像分割,使谱聚类算法应用于图像分割的效果有所改善。该算法首先对图像进行预处理,变换图像的分布数据空间,再分别计算对选定样本空间的数据间以及样本与其他空间的数据间的距离矩阵,并转化为相似矩阵;然后对相似矩阵正交化并且特征分解,进行K-Means聚类;最后将聚类结果进行后期处理。通过实验验证了该算法的有效性。     

NSCT变换与空间约束模糊核聚类红外图像分割算法

红外图像成像模糊、易受噪声污染,分辨率低,采用标准的FCM分割算法会出现失效和误分割。通过对以往各种方法的研究,根据红外图像的特点及FCM算法的不足,提出采用在NSCT变换域进行去噪预处理与改进的FCM算法相结合的分割算法。首先对红外图像进行NSCT变换,在变换域,采用自适应阈值法去除各细节子带中的噪声,其次在FCM算法中引入核映射将数据映射到非线性空间中进行聚类划分,最后采用邻域信息修正当前像素的隶属度值,得到更准确的聚类结果。实验结果证明该算法较FCM、KFCM、SFCM聚类分割算法有更好的分割精度。     

基于小波变换的医学图像分割

医学图像分割是图像分割的一个重要应用领域,也是制约医学图像在临床上广泛应用的题.对医学图像分割技术进行了综合研究,在此基础上提出了一种新的基于小波变换的医学图像分割方法.首先利用小波变换提取边缘信息,然后采用C均值聚类法把原有灰度信息和边缘信息进行聚类.仿真试验证明该方法能有效地解决过分割问题,提高了分割效率.     

基于AHLO与K均值聚类的图像分割算法

针对图像分割中K均值算法全局搜索能力差、初始聚类中心选择敏感的问题,提出了一种将自适应人类优化算法与K均值算法相结合的聚类算法.该算法利用自适应人类学习优化算法初始化聚类中心,提高K均值算法的稳健性.结果表明,该算法聚类得到的标准差相比传统K均值算法和基于粒子群K均值(PSO-Kmeans)算法分别小两个数量级和一个数量级,同时图像分割得到的PSNR值均较高,具有算法收敛速度更快,聚类质量更好,图像分割效果更好,适应性更强的优点.     

基于K-means聚类和同步挤压小波变换的次同步振荡检测

电力系统次同步振荡具有非平稳、非线性特性,现有检测方法难以捕获振荡特征和变化趋势,为此提出K-means结合SWT的振荡检测方法,并将该方法引入次同步振荡谐波检测分析中.首先,利用SWT较强的抗模态混叠能力和抗噪性,在噪声环境下清晰直观表征信号振荡模态.同时,在SWT中运用频域切片,提取电力信号中的多重振荡模态,进行重构和参数辨识.考虑到SWT将小波系数挤压至中心频率,采用K-means聚类方法准确求出重构前振荡信号中心频率,并自动选择信号重构频域区间.最后,通过仿真算例验证该方法的有效性.     

一种改进的模糊聚类图像分割算法

为了提高强噪声污染图像分割的鲁棒性,给出一种改进的非局部模糊聚类图像分割算法。改进算法将模糊因子的局部邻域值替换为非局部均值滤波图像的像素值,并加入局部空间信息,产生新的目标函数。借助拉格朗日乘子法,从最小化目标函数得出隶属度和聚类中心的迭代公式,进而完成图像分割。对合成图像、医学图像和自然图像添加高斯噪声、莱斯噪声和椒盐噪声,用于分割测试,结果显示,改进算法对强噪声图像具有更高的正确分割率和较小的模糊性。     

基于稀疏矩阵的谱聚类图像分割算法

在图像分割中谱聚类算法需要计算像素之间的相似度矩阵,构造数据量大,并且要对拉普拉斯矩阵进行特征分解,计算比较耗时。针对这一问题,提出了一种基于稀疏矩阵的谱聚类图像分割算法。算法结合图像特征信息在不同尺度上对谱聚类进行误差分析,设计了一种新的样本信息选取方案,并利用选取的图像信息直接创建稀疏相似度矩阵。理论分析以及图像分割实验结果表明,该算法能够有效降低谱聚类的计算复杂度,同时,提高了分割的准确性和鲁棒性。     

基于免疫聚类算法的MRI膝关节图像分割

为了解决传统的阈值法无法适用的特征值相差不大的较复杂的医学图像分割,并针对聚类算法在分割图像时对初始值敏感且易陷入局部最优解这一缺点,提出了一种新的图像分割方式—基于免疫聚类的图像分割.实验表明,该方法既有效地克服了聚类算法的缺陷,又减轻了免疫算法在进化后期的波动现象,提高了其收敛速度和局部搜索能力,更具稳定性和准确性,在一定程度上改善了医学图像的分割效果.     

改进的FCM聚类医学超声图像分割算法

为解决模糊C均值聚类算法在进行医学超声图像分割时聚类数目及初始聚类中心选取的问题,提出一种改进的模糊C均值聚类医学超声图像分割算法。算法根据医学超声图像的特点,首先将医学超声图像变换到灰度特征空间,然后根据医学超声图像的直方图特征峰值数目设置聚类数目,并将特征峰值设为聚类中心。最后,在灰度特征空间对医学超声图像进行病灶区域分割。仿真实验结果表明,算法能够准确、快速地分割出医学超声图像中的病灶区域。     

基于小波变换的墙地砖缺陷图像分割

目的改进原有的图像分割算法在分割图像时的精度和准确度，进一步准确地研究墙地砖缺陷图像的基本特征，提出一种有效的图像分割方法．方法根据墙地砖表面的纹理特点，采用Daubechies小波对原始图像进行处理．结果仅保留图像的近似信息，从而有效降低了纹理特征对缺陷分割的干扰．同时，图像数据量减少为原始图像的1／4．因此，在有效提取近似信息的基础上提高了系统的实时性，便于图像分割应用．该方法增强了缺陷纹理图像。能抑制背景纹理对缺陷纹理检测的干扰，并通过减运算有效地实现了缺陷纹理和背景纹理的分割．结论基于小波变换的墙地砖缺陷图像分割方法能够对随机纹理图像进行可靠、有效、快速的分割，尤其适用于具有随机纹理的墙地砖缺陷实时检测．     

基于K-means聚类的纺织品印花图像区域分割

对纺织品彩色印花图像进行颜色区域分割．将彩色纺织品印花图像转换到CIE L＊a＊b颜色空间,用K均值聚类分析算法对描述颜色的a＊和b＊通道进行聚类分析;通过提取各个颜色区域独立成为单色的新图像,对彩色纺织品印花图像进行分割处理．实验结果表明,在CIE L＊a＊b空间使用K—means聚类算法可以有效地分割彩色纺织品图像的颜色区域．     

基于遗传模糊C-均值聚类算法的图像分割

将遗传算法（GA）与模糊C－均值聚类算法（FCM算法）相结合，并运用于图像分割，以期解决标准FCM算法在图像分割中运算速度慢和对初始值依赖大的两大缺陷。首先对模糊聚类中心进行编码，然后依据FCM算法的目标函数建立适应度函数，在适当的交叉率和变异率下，最终实现了基于遗传模糊C－均值算法的图像分割。考虑在一维图像分割特征向量情况下，通过引入直方图统计特性，实现了遗传模糊C－均值算法的快速运算，最后，运用真实的磨粒图像对算法进行了详细验证，并与标准FCM算法进行了对比，分割实验表明了本方法比标准FCM算法具有更快的计算速度和更好的鲁棒性。     

基于直觉模糊C-均值聚类算法的图像分割

基于直觉模糊集理论对模糊C-均值(Fuzzy C-Means,FCM)聚类算法进行改进。采用模糊补算子生成非隶属度,得出相对应的直觉模糊集犹豫度,用于更新模糊C-均值聚类算法中的模糊隶属度值。针对常用测试图像的仿真实验结果显示,在分割的视觉效果几乎一致的情况下,改进算法在迭代效率上相对于原FCM聚类算法有一定提高。     

流形距离的自动免疫克隆聚类图像分割算法

聚类算法在对图像进行分割的过程中要面对如何自动确定聚类类别数、如何克服图像特征点分布复杂的流形结构、如何减少算法的运行时间. 针对这些问题, 提出了流形距离的自动免疫克隆聚类图像分割算法. 自动免疫克隆聚类算法可以自动确定聚类个数, 不需要人为事先给定, 并且确保全局收敛; 使用流形距离可以反映空间分布复杂的流形数据; 使用超像素而非像素来降低图像分割的时间等问题. 通过对4组人工数据集和4幅自然图像进行实验, 对比k-means算法、GCUK算法, 结果表明该方法优势比较明显, 具有一定的实用性和先进性.     

基于稀疏自表示的模糊聚类图像分割算法

为了提高噪声污染图像分割的鲁棒性,提出一种基于稀疏自表示的模糊C均值聚类图像分割算法。该算法首先将图像过分割为超像素,以超像素作为图像基元,对每一块超像素进行特征提取,所有超像素的特征组成图像的特征矩阵;其次建立特征矩阵的稀疏自表示模型,将其以自身为字典时的表示系数作为表示样本间相关性的判别特征矩阵;最后利用模糊C均值聚类算法聚类图像的判别特征矩阵,得到图像的分割结果。对人造图像、自然图像和遥感图像添加高斯噪声和椒盐噪声,实验结果表明,改进算法对噪声污染的图像有较好的分割质量,有一定的抗噪鲁棒性。     

一种基于模糊聚类的快速图像分割算法

提出一种基于二维直方图加权的模糊c均值图像快速分割算法.通过将原图像和它的平滑图像相结合,构造一个二元组的“广义图像”,广义图像的直方图就是原图像的二维直方图.然后对此二维直方图进行塔形分解得到金字塔的上一层——顶层,相应地称原二维直方图为底层.最后,利用加权模糊c均值聚类算法分别对顶层和底层进行模糊聚类,从而实现对原图像的分割.实验结果与性能分析表明,该算法具有较高的分割速度和良好的抑制噪声的能力.     

K-means初始聚类中心选取优化算法

提出了一种利用重心优化初始聚类中心的算法BKM(Barycenter K-Means)。首先将每个候选点临域内所有数据点的重心作为初始聚类中心,然后引入MapReduce进行并行处理计算。结果表明,BKM算法选取的初始聚类中心更为合理,取得了较好的聚类效果。     

基于小波变换的静音与语音分割新算法

含噪语音信号的静音与语音分割，即端点检测问题是语音识别至关重要 的一步，为了提高语音分割对环境的适应性，提出了一种利用小波变换分割含噪语音信号中静音与语音的新算法，该算法首先将语音信号进行小波变换，利用小波系数去噪，然后选择小波部分子带跟踪信号的能量变化以分割语音与静音，仿真实验表明该算法在低信噪比条件下也能够有效分割语音。