基于改进型FCM聚类的图像分割新方法

传统的模糊C均值(FCM)聚类算法在判定当前像素归属时没有考虑像素的空问信息,因而对噪声十分敏感.为提高图像分割的准确性,通过引入空间约束信息的惩罚项,对传统FCM算法中的目标函数进行修正.基于人造图像和实际图像的测试实验结果证明了该方法对噪声具有较强的鲁棒性.     

一种融合曲线演化与模糊C均值聚类算法的快速图像分割模型

针对模糊C均值聚类算法(FCM)分割图像时对噪声敏感和分割边界不封闭问题,该文基于FCM的隶属度矩阵定义伪水平集及演化曲线,提出一个融合曲线演化和FCM的快速图像分割模型。在伪水平集上,通过采用高斯滤波近似曲线演化过程中的弧长正则项,得到封闭光滑的分割边界;通过设计新的边缘停止函数,依据灰度值与隶属度映射关系对噪声点灰度值进行修正,降低了滤波对聚类的影响。聚类和曲线平滑交替进行,提高了模型对图像噪声的鲁棒性。实验结果表明该模型能够较好地克服图像噪声对分割的影响,得到较为理想的分割结果。     

基于改进的模糊C均值聚类图像分割新算法

模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感。为了克服上述问题,提出了一种新的基于改进的FCM图像分割算法。该方法将空间的信息融入到标准的FCM算法中,通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值,该概率在算法执行过程中根据模糊隶属度值自动地予以确定。算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高。人造图像和实际图像的实验结果表明该方法的有效性和对噪声具有较强的鲁棒性。     

改进的自适应模糊C均值聚类图像分割算法

分析自适应FCM图像分割算法的优缺点,提出了改进的自适应模糊C均值聚类算法.利用像素的空间邻域信息构造二维直方图,作为自适应FCM的聚类样本,降低了样本空间的维数,解决了自适应FCM收敛速度慢,对噪声敏感等问题.通过与自适应FCM算法对含噪图像的分割结果以及分割速度,性能的对比分析,证明该算法收敛速度快,分割精度高,对噪声有较强的鲁棒性.     

基于Gibbs随机场与模糊C均值聚类的图像分割新算法

模拟C均值聚类(FCM)是一种非常经典的非监督聚类技术,已被广泛用于图像的自动分割.由于传统的FCM算法进行图像分割仅利用了灰度信息,而没有考虑象素的空间位置信息,因而分割模型是不完整的,造成传统FCM算法只适用于分割噪声含量很低的图像.为了克服传统FCM算法的局限性,本文利用Gibbs随机场所描述的邻域关系属性,引入先验空间约束信息,提出拒纳度的概念,建立包含灰度信息与空间信息的新聚类目标函数,继而提出基于Gibbs随机场与模糊C平均聚类的GFCM图像分割新算法.实验证明,利用本文所提GFCM算法可以有效地分割含噪声图像.     

改进FCM算法在医学图像分割的方法研究

本文提出使用改进模糊C均值聚类(MFCM)算法和模糊可能性C均值聚类(FPCM)算法的图像分割方法并应用于医学图像分割过程中。MFCM算法是通过调整FCM算法的测量距离来批准标签像素受到其他图像像素和在切分中抑制噪声效果来约束,从而使得成员变量没有最大约束值。基于真实医学图像的实验表明了MFCM算法和FPCM算法在医学图像中进行分割的实际效果,具体是通过对FCM、MFCM、FPCM进行精度对比来验证算法有效性。     

基于空间信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值(Fuzzy C-means, FCM)聚类算法对噪声鲁棒性差的问题,提出一种基于空间信息的模糊C-均值噪声图像分割算法。将区域级信息加入FCM目标函数中,并用核度量方法代替传统欧氏距离,计算区域级空间信息与聚类中心的距离,提高算法对噪声的鲁棒性;用原始图像与区域级空间信息的绝对差的倒数和其本身约束原始图像和区域信息项,实现约束项参数的自适应选择;利用连通分量滤波,消除聚类结果中出现的过分割现象,提高分割精度。含噪合成图像和彩色图像实验表明,所提算法在模糊分割系数、模糊分割熵、分割精确度、平均交互比和归一化互信息等方面均优于其他几种聚类算法。     

基于模糊C均值聚类与空间信息相结合的图像分割新算法

针对传统的模糊C均值聚类（FCM）图像分割方法未考虑图像的空间信息,对噪声十分敏感的问题,本文提出了一种结合空间信息的模糊C均值聚类分割新算法;该算法将图像的二维直方图引入传统的模糊C均值聚类算法中,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属,以改善传统的PCM算法的分割质量。实验结果表明,该算法显示了较好的分割效果和较强的抗噪性能。     

簇间可分的鲁棒模糊C均值聚类算法

与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。

     

基于FCM的分块自适应图像分割方法研究

基于模糊C均值聚类（FCM）的图像分割是应用较为广泛的图像分割方法之一,但是传统的模糊C均值聚类算法都是基于欧氏距离的,对于图像中的噪声是十分敏感的。针对这一局限性,提出一种基于FCM的分块自适应图像分割方法。该方法不仅考虑了噪声不均匀分布对分割结果的影响,而且充分考虑了图像像素的灰度信息和空间信息。通过对含有噪声的自然图像和合成图像的分割试验,我们可以得到,与传统的FCM图像分割算法相比,本文方法能显著提高含有噪声图像的分割质量。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

基于自适应相似度距离的改进FCM图像分割

为了改善传统FCM算法抗噪性差的问题,提出了基于自适应相似度距离的FCM算法.算法将像素分为两个特征:第一个描述的是像素的内在属性(灰度级特征),第二个描述邻域像素特征(空间特征).在此基础上,基于自适应相似度距离,根据像素在图像中的空间位置决定哪一个特征拥有优先级,对其进行聚类.图像分割结果表明,算法比标准FCM算法有明显改善,具有很好的抗噪性能,取得了更好的分割效果.     

小波变换和改进的FCM算法在医学CT图像分割中的运用

为了更好地运用电脑技术辅助医学诊断,本文研究了一项在小波变换和改正的模糊C均值PCM算法基础上进行医学CT图像分割的方法,以FCM算法为基础,采取小波变换方式针对医学CT图像展开分解,之后运用分解后的低频图的像素点来作为FCM算法的基础点,然后运用马氏距离来进行进一步修正,从而确保更加准确的反应医学图像中的信息.研究结果显示,通过这一方法的处理,医学CT的效果得到了很大的提升.     

抑制式非局部空间直觉模糊C-均值图像分割算法

针对传统的模糊C-均值(FCM)算法没有考虑图像像素的空间邻域信息,对噪声敏感,算法收敛较慢等问题,该文提出一种抑制式非局部空间直觉模糊C-均值图像分割算法。首先,通过计算像素的非局部空间信息提高抗噪能力,克服传统的FCM算法只考虑图像单个像素的灰度特征信息的缺陷,提高分割精度。其次,根据直觉模糊集理论,通过“投票模型”自适应生成犹豫度作为抑制因子修正隶属度,提高算法的运行效率。实验结果表明,该算法对噪声鲁棒性较强并且有较好的分割性能。     

Entropy-like distance driven fuzzy clustering with local information constraints for image segmentation

To improve the anti-noise ability of fuzzy local information C-means clustering, a robust entropy-like distance driven fuzzy clustering with local information is proposed. This paper firstly uses Jensen-Shannon divergence to induce a symmetric entropy-like divergence. Then the root of entropy-like divergence is proved to be a distance measure, and it is applied to existing fuzzy C-means (FCM) clustering to obtain a new entropy-like divergence driven fuzzy clustering, meanwhile its convergence is strictly proved by Zangwill theorem. In the end, a robust fuzzy clustering by combing local information with entropy-like distance is constructed to segment image with noise. Experimental results show that the proposed algorithm has better segmentation accuracy and robustness against noise than existing state-of-the-art fuzzy clustering-related segmentation algorithm in the presence of noise.     

基于PSO优化空间约束聚类的SAR图像分割

相干斑噪声的存在使得合成孔径雷达(SAR)图像的分割问题变得非常复杂.本文提出一种具有鲁棒抗噪特性的SAR图像分割方法,该算法通过将多尺度条件下的边缘信息以及相邻像素的相对位置和强度信息所构成的空间信息融入模糊C-均值(FCM)聚类算法的相似性测度中,增强了分割方法的抗噪性.空间信息对FCM聚类算法的调控由粒子群优化(PSO)算法完成,优化的调控参数有助于获得良好的分割结果.该算法对初始分割不敏感,并具有鲁棒的抗噪性能.MSTAR数据的分割实验结果表明:该算法能够有效地分割SAR图像,与通过改进型FCM(IFCM)算法获得的分割结果比较,分割结果明显改善.     

基于邻域信息的SAR图像变化检测

为了减少合成孔径雷达(SAR)图像中乘性斑点噪声对变化检测结果的影响,充分地利用了像素的邻域信息。首先使用邻域比值(NR)方法构造差异图像,然后提出基于邻域信息的模糊C均值聚类(FCM)算法。NR算子在构造差异图像时能够较好地保留图像信息并抑制噪声的干扰。同时将邻域信息引入到FCM算法的目标函数,以邻域加权距离改进了FCM算法在欧式距离计算中的不足,并约束了隶属度函数,减少了噪声对邻域中心像素的干扰。通过以上考虑像素邻域信息的算法,得到了差异图像的聚类结果,从而实现了SAR图像的变化检测。实验结果表明,所提算法较传统的FCM和K-means聚类算法,可以较好地保留图像变化区域的信息,同时提高了SAR图像变化检测的准确度。