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。     

大规模数据集的多层聚类算法

针对大多谱聚类算法由于计算复杂度高而不适于大规模数据的问题,提出了一种能处理大规模数据集的多层算法。该算法把海量数据根据一定的相关性逐级分组成小数据集,再对分组后的小数据集用谱聚类算法进行聚类,最后利用权核K均值聚类逐级微调,完成全部数据的聚类。通过对UCI数据库中的数据集和图像分割的仿真实验,结果表明该算法的聚类效果很好。     

K-均值聚类算法的MapReduce模型实现

针对日益严峻的大数据处理时间长、执行速率低等问题,通过深入分析,提出了一种提高大规模数据聚类效率的方法。以K-均值聚类算法为原型,利用Map Reduce模型在大规模数据处理方面的优势,对原有算法进行并行化改进,设计出一种基于Hadoop分布式云平台的K-均值聚类Map Reduce模型。应用此模型,对淘宝用户仿真数据进行聚类试验,试验结果表明,对K-均值聚类算法的Map Reduce模型实现后,性能优于原算法性能,缩短了聚类时间,提高了聚类效率,特别适于对海量数据进行聚类处理。     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值（FCM）聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法.该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果.实例分析证明了算法的有效性和实用性.     

基于独立成分分析的谱聚类方法

谱聚类是近年来一类具有较好应用前景的聚类方法。本文将独立成分分析引入到传统的谱聚类方法中,提出了一种基于独立成分分析的谱聚类算法。利用独立成分析作为预处理,消除了数据内的冗余信息,使得待聚类数据点在高阶统计量的意义下相互独立。文中对比实验证明了该方法的有效性。     

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。     

模糊逻辑和谱聚类的字符图像分割

为了从复杂背景中有效分离出字符图像,提出了一种基于模糊逻辑的谱聚类字符图像分割方法.利用最大信息熵准则获得模糊函数的参数,将原始图像模糊化;在模糊后的图像上建立像素间的相似矩阵,文本图像的纹理、灰度及像素间的距离是定义相似函数的依据,计算相似矩阵最小特征值对应的特征向量,并对其聚类划分;利用分类后的特征向量对相似矩阵进行划分,进而实现原图像的分割.实验结果表明:本文方法优于一般的阈值化分割方法,能够有效处理背景复杂的自然场景文本图像.     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值(FCM)聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法. 该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果. 实例分析证明了算法的有效性和实用性.     

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。     

一种空间信息自适应的鲁棒模糊聚类算法

针对传统模糊聚类算法利用空间信息对抗噪声时对图像分割造成影响的问题,本文提出一种新型鲁棒模糊聚类方法(fuzzy c-means＿adaptive spatial, FCM＿AS)。在传统FCM算法基础上,引入空间信息自适应方法,提出了新的模糊聚类模型FCM＿AS及其对应的迭代优化算法。该模型在利用像素空间信息对抗噪声的同时,在像素的局部信息和非局部信息之间,设置一个自适应权重参数,实现对空间信息的自适应调整。为验证本文算法的有效性,采用多种流行算法在合成图像和脑MR图像上进行对比实验。实验结果表明,与传统的模糊聚类方法相比,FCM＿AS算法在处理合成图像和复杂的医学图像噪声时,可有效消除噪声对分割过程的影响,分类相对准确,且边缘信息平滑,图片准确度较高,更加接近理想分割效果,具有更好的鲁棒性和优越性,是一种稳健的图像分割算法。该研究实现了对空间信息的自适应调整,具有一定的理论意义和应用价值。     

基于灰度和空间特性的谱聚类图像分割

为了克服谱聚类图象分割方法性能容易受到图像大小和相似性测度的影响,提出一种基于灰度和空间特性的谱聚类图像分割算法。该算法不对图像中的像素之间建立相似性,而是利用各个像素的灰度在图像中的分布信息和像素点的空间邻接信息建立灰度之间的相似关系,通过对图像中灰度的分类进而获得原始图像的分割结果。因此,该算法不会受到图像大小的限制,无论对于多大的图像,相似性矩阵的大小都是小于等于256×256。Berke-ley基准图像数据集上的分割仿真实验验证了该方法的有效性。     

自适应谱聚类算法研究

谱聚类能识别出在原空间中线性不可分的聚类, 且其效果优于传统聚类算法.谱聚类要想获得好的效果必须选择一个合适的尺度参数,本文在传统谱聚类算法的基础上引入类似核选取的技巧,提出了一个能自动选取该尺度参数的自适应谱聚类算法.将该算法和现有的谱聚类参数选择算法作了比较,在人工数据集和UCI数据集上的实验表明,自适应谱聚类算法在很多情况下优于其它参数选择算法.     

基于局部相似性测度的SAR图像多层分割

针对谱聚类算法计算复杂度高,不适用于合成孔径雷达图像分割的问题,利用谱聚类算法与权核k均值之间的等价性,提出一种基于局部相似性测度的SAR图像多层分割算法．首先提取图像中每个像素的小波纹理特征,利用每个像素点的纹理特征计算各自的局部尺度参数,进而构造像素点之间的邻接关系,然后利用最近邻规则对此邻接关系进行逐层合并,进行基础聚类和逐层细化实现像素点聚类,最终得到图像的分割结果．对人工纹理图像和SAR图像的分割结果表明了新算法避免了传统谱聚类算法对尺度参数的敏感性,获得了更优的分割性能．     

基于分水岭和模糊 C 均值聚类的图像分割方法

针对分水岭算法对微弱边缘和噪声非常敏感、容易导致过分割现象的问题,提出综合运用分水岭算法和基于区域的模糊 C 均值聚类的图像分割方法.与单独使用分水岭方法相比,该方法不仅利用区域的灰度信息,而且考虑了区域间的空间信息.实验结果表明,本方法能有效地对图像进行分割,克服了分水岭算法的过分割问题.     

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

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.     

谱聚类中特征向量的Bagging选取方法

谱聚类算法中用亲和矩阵特征值最大的k个特征向量并不总是能有效地发现数据集的结构。为了选取较好特征向量,提出了一种特征向量的Bagging选取算法。以成对约束计分方法为评价标准,对特征向量进行评价并选出较好的特征向量,将多次选择的特征向量进行Bagging集成(Bootstrap aggregating),得出k个特征向量的组合。该算法能够较好地选取出特征向量,根据UCI实验数据集的测试,证实该算法对测试数据集可以得出较好的预测结果。