模拟退火与模糊C-均值聚类相结合的图像分割算法

模糊C-均值(FCM)聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点.将模拟退火算法(SA)与模糊C-均值聚类算法相结合,在合理选择冷却进度表的基础上,依据模糊C-均值聚类算法建立模拟退火算法的目标函数,实现了基于模拟退火的模糊C-均值聚类图像分割算法.实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果.     

OLED显示屏表面缺陷自动检测方法

目的 为了解决OLED显示屏表面周期性纹理背景和缺陷边界模糊、对比度低的特征导致其表面缺陷检测困难的问题,开展OLED显示屏表面缺陷自动检测方法研究.方法 对OLED显示屏图像进行奇异值分解,选择前2个较大的奇异值重构图像纹理背景,对原图像和重构图像进行差分运算,获得残差图像.将残差图像像素随机赋予初始隶属度值,采用模糊C均值聚类法获得像素最终隶属度值.根据隶属度大小,将残差图像像素聚成2类,并从残差图像中准确地分割缺陷.结果 选取较大的2个奇异值可以有效地重构OLED显示屏的周期性纹理背景;模糊C均值聚类法分割缺陷获得的区域灰度一致性(U)平均值为0.9846.结论 基于奇异值分解的背景重构方法可以有效地检测OLED显示屏表面缺陷;与分水岭法和Otsu方法相比,模糊C均值聚类可以准确地分割模糊边界的缺陷区域.     

基于纹理特征的钢丝绳图像分割方法

针对复杂背景下钢丝绳图像难以准确分割的问题,提出一种新的基于纹理特征的图像分割方法.首先,采用局部二进制模式(Local Binary Pattern,LBP)特征直方图的一阶熵、二阶熵作为LBP特征的统计测度,降低LBP特征的维数.同时选用边缘密度作为纹理描述的特征之一,弥补LBP算子提取纹理特征不足,抗干扰能力差的缺点.然后以上述纹理特征构成特征矢量,采用模糊C-均值(Fuzzy C-Mean,FCM聚类算法进行聚类分割.在实验中,对比了该算法与灰度共生矩阵、传统LBP算子在钢丝绳图像分割中的效果.结果表明,该算法可以有效地对钢丝绳图像进行纹理分割,并能取得良好的边界定位效果,性能优于另外两种算法.     

时空联合的红外运动目标提取算法

针对红外图像对比度差、边缘模糊的特点,提出了一种基于时空联合的红外序列图像目标提取的新方法.算法充分利用了红外目标的亮度特征、背景信息以及运动信息.时域分割中通过建立帧差图像背景的高斯分布模型,采用变化检测模板来确定红外目标约束区域.然后,构造图像像素与区域之间的空间关系隶属度矩阵并约束到传统的模糊聚类算法中,空域分割则利用该模糊聚类来对目标约束区域进行有效分割.最后将时空分割结果融合便能实现最终的红外目标提取.实验结果表明,该方法简单有效,能准确提取动态场景中的红外目标.     

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法（SFFCM）。先用简单线性迭代聚类（SLIC）算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类（FCM）算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。     

基于空间邻域信息的二维模糊聚类图像分割

传统模糊C均值聚类(FCM)算法进行图像分割时仅利用了像素的灰度信息,并且使用对噪声较敏感的欧氏距离作为像素与聚类中心距离度量的标准,因此抗噪性能较差.为了克服传统FCM算法的局限性,本文提出了一种基于空间邻域信息的二维模糊聚类图像分割方法(2DFCM).该方法利用二维直方图描述的像素邻域关系属性,一方面为聚类提供较准确的初始聚类中心,从而避免聚类中的死点问题;另一方面通过提出聚类中心同时在像素值、像素邻域值二维方向上进行更新的思想,建立了包含邻域信息的新的聚类目标函数,实现了图像的分割.实验结果表明,这种方法抗噪能力强、收敛速度快,是一种有效的模糊聚类图像分割方法.     

基于模糊C均值图像抗噪分割方法的研究

针对含有噪声且光线不均的医学图像,提出了一种基于模糊C均值聚类的图像分割算法。模糊C均值聚类算法描述简洁、易于实现、分割效果好,在图像分割应用领域得到了快速发展,但也存在着对噪声敏感的问题。考虑到提取的医学图像数据中必定包含噪声,因此通过修改目标模糊函数J(u, v),在引入像素点邻域信息的基础上,对邻域信息加入了惩罚因子。弥补了传统模糊C均值聚类算法的不足,使该方法对含有噪声的医学图像更加有效。实验分析表明了算法的有效性和实用性。     

基于FT与超像素模糊C均值聚类的马铃薯病虫害图像识别技术

本文针对马铃薯病虫害区域难以自动分割的问题,提出了一种基于FT显著性检测与超像素模糊C均值聚类（SFFCM）相融合的无监督分割方法。该算法利用FT显著性检测增强梯度图像,并对梯度增强图像进行重构。经过分水岭分割后,对各超像素区域颜色求平均,利用FCM算法聚类得到最终的分割图。实验表明,与SFFCM、SFFCM-SR相比,本文算法分割效果占优。     

量子蚁群模糊聚类算法在图像分割中的应用

针对模糊C-均值算法对初始值的依赖,容易陷入局部最优值的缺点,本文提出将量子蚁群算法与FCM聚类算法结合,首先利用量子蚁群算法的全局性和鲁棒性以及快速收敛的优点确定图像的初始聚类中心和聚类个数,再将所得结果作为FCM聚类算法的初始参数,然后用FCM聚类算法对医学图像进行分割。实验结果表明,该方法有效解决了FCM算法对初始参数的依赖,克服了FCM算法及蚁群算法容易陷入局部极值的的缺点,而且在分割速度和精度上得到了较大提高。     

模糊聚类方法在医学图像分割中的应用

模糊聚类方法已被广泛应用到图像分割领域,重点研究模糊聚类方法以及模糊聚类方法在医学图像分割中的应用,同时对分割方法应用图像进行实验,分析。     

Object-of-interest image segmentation based on human attention and semantic region clustering

We propose a novel object-of-interest (OOI) segmentation algorithm for various images that is based on human attention and semantic region clustering. As object-based image segmentation is beyond current computer vision techniques, the proposed method segments an image into regions, which are then merged as a semantic object. At the same time, an attention window (AW) is created based on the saliency map and saliency points from an image. Within the AW, a support vector machine is used to select the salient regions, which are then clustered into the OOI using the proposed region merging. Unlike other algorithms, the proposed method allows multiple OOIs to be segmented according to the saliency map.     

基于自动种子区域生长的超声B图像缺陷分割方法

提出一种基于自动种子区域生长的超声图像缺陷分割方法。首先使用最大类间方差（Otsu）分割法对超声B图像进行一次预分割;其次寻到绝对背景区,并且在此区域内自动设置种子起始点;然后利用区域生长法将缺陷从背景中分割;最后通过数字形态学降噪法来进一步提高缺陷的识别度。实验结果表明:该方法不仅能准确地分割出缺陷,且具有较好的缺陷边界信息,提高了对超声B图像的处理效率,有效地抑制了大部分图像噪声。     

复杂场景下隧道电缆图像分割算法

目的 分析图像空间分布和灰度分布特征,改进区域生长图像分割方法,解决光照不均,墙面多种不利因素影响造成的电缆图像分割耗时长、效果差的问题。方法 首先按照墙面不利情况对图像进行分类,采用灰度均值方向投影法分析各类图像灰度分布特性,利用包络拟合离差获取电缆ROI,结合ROI空间分布信息,进行种子点初始化和终止准则设定,大大降低待处理数据量,同时避开光照不均和墙面不利因素的影响,并与K–Means聚类、全局区域生长、Unet语义分割等方法进行对比。结果 对于大小为1 000×1 800的图像,文中方法平均分割时间为0.42 s,对于各类数据集,最大误检率和漏检率只有4%。结论 文中方法有效克服了区域生长分割效果差、耗时长的缺陷,能同时解决光照不均和各种墙面不利因素影响下电缆准确分割的问题,分割效果好、耗时少。     

综合边缘检测和区域生长的红外图像分割方法

针对红外图像的特点,提出了一种综合应用边缘检测和区域生长方法的图像分割方法。其思路为:先对图像进行边缘提取,得到边缘像素点集;然后利用该点集的平均灰度和目标区域的连通性作为生长判决条件,采用区域生长法实现图像分割。仿真结果表明,该方法能快速准确有效地实现红外图像分割,避免了单独使用边缘提取或区域生长法进行图像分割时的典型分割错误。     

纸塑复合袋表面缺陷图像分割算法的设计与实现

目的 纸塑复合袋表面缺陷图像受到噪声、光照不均以及自身缺陷等因素的影响,在对图像缺陷区域进行分割时会造成过分割或欠分割.针对此现象提出一种将边缘检测和自适应区域生长法相结合的纸塑复合袋表面缺陷图像的分割算法.方法 首先利用Sobel算子和形态学运算对双边滤波后的缺陷图像进行第1次分割;然后对缺陷区域进行最小外接矩形标记并计算其形状特征,通过判定形状特征大小来决定是否继续分割;最后将符合继续分割的图像缺陷区域质心作为初始种子点,在原始图像上进行自适应区域生长,形成第2次分割结果,完成缺陷图像分割.结果 与其他算法相比,该算法对各类常见缺陷均能取得较好的分割效果,Dice系数均在0.93以上.结论 该算法分割精度较高,有较强的鲁棒性,可以满足工业上的生产需求.     

Threshold prediction for segmenting tumour from brain MRI scans

In recent decades, region growing methods in image segmentation plays a vital role in medical image processing. Nonetheless, the method needs more advancement to cope up with the images of current acquisition devices. This paper attempts to solve the problem of maintaining diversity among wide image specifications by optimizing the threshold. In order to accomplish this, we introduce a hybrid framework of Artificial Bee Colony and Genetic Algorithm in a region growing variant, in which gradient and intensity levels are used for segmentation. Eventually, the proposed work is subjected to classify the tumor and non‐tumor images, followed by the segmentation of tumor region in MRI images. Classification methodologies such as feed forward back propagation neural network, radial basis neural network, support vector machine with quadratic programming and adaptive neuro‐fuzzy inference system are considered for experimental investigation in which support vector machine with quadratic programming is found to be dominant than other methodologies. Proposed region growing method outperforms well on the classified image, when compared with the region growing variant and standard region growing method. The results are demonstrated with the aid of wide set of performance measures. © 2014 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 24, 129–137, 2014     

一种基于FCM的图像分割方法

提出一种新的图像分割方法 FWFCM(fast walvet fuzzy C-means method),该方法对图像像素点的灰度进行模糊隶属度的分析,将需要聚类的像素空间投影到灰度直方图空间,从而减少了经典FCM算法的迭代计算量,提高了算法的收敛速度;并且利用小波变换的多分辨率的分析,抑制噪声点对图像分割的影响,提高了图像分割的精度.     

Phase unwrapping for noisy phase map using localized compensator

Phase unwrapping for a noisy image suffers from many singular points. Singularity-spreading methods are useful for the noisy image to regularize the singularity. However, the methods have a drawback of distorting phase distribution in a regular area that contains no singular points. When the singular points are confined in some local areas, the regular region is not distorted. This paper proposes a new phase unwrapping algorithm that uses a localized compensator obtained by clustering and by solving Poisson's equation for the localized areas. The numerical results demonstrate that the proposed method can improve the accuracy compared with other singularity-spreading methods.     

HSV空间下改进的直觉模糊C均值聚类猪肉图像检测

利用计算机视觉技术对畜肉分级的方法种类繁多,但由于光照因素使前期图像预处理分割目标和背景的工作难度增大。针对传统的最大类间方差法分割图像效果不佳、噪声适应能力不强的问题,以及核磁共振、高光谱成像等无损检测方法大多存在检测仪器体积大、不便于携带、成本高等问题,提出利用色调、饱和度、明度(Hue,Saturation,Value,HSV)色彩空间结合聚类方法对图像像素点进行聚类分割。在对取自自然光照环境中的猪肉图像进行分割时,所提方法相对于传统聚类分割方法分割正确率平均提高1.46%;在对人工加入了0.1椒盐噪声和0.2椒盐噪声的图像进行分割时,该方法相对于传统方法表现出了更好的抗噪声能力,传统分割方法平均错误率分别升高了16.15%和38.28%,该方法平均错误率仅升高了1.57%和1.49%。该方法具有良好的分割准确率和噪声鲁棒性,提高了目标区域的检测精度,减少了图像预处理阶段的信息丢失,提高了畜肉分级方法的质量。