基于量子粒子群的改进模糊聚类图像分割算法

提出了一种基于量子粒子群的改进模糊聚类图像分割算法。针对FCM图像分割算法对聚类中心初始值比较敏感的缺点,利用量子粒子群优化算法强大的全局搜索能力寻找最优解,能够有效降低图像分割算法对初始值的依赖程度;同时,用一种新的基于簇密度的距离度量公式来计算图像特征点与聚类中心点的距离,其在确定类中心时考虑数据集的全局信息,并且在迭代过程中采用动态隶属度,能够降低噪声干扰。仿真实验结果证明改进算法具有较好的性能。     

基于二维直方图的图像模糊聚类分割新方法

基于二维直方图的模糊聚类分割算法可以有效地抑制噪声的干扰。但是,FCM算法用于图像数据聚类时的最大缺陷是运算的开销太大,这就限制了这种方法在图像分割中的应用。该文根据FCM算法和灰度图像的特点,提出了一种适用于灰度图像分割的抑制式模糊C-均值聚类算法(S-FCM)。通过调节抑制因子α来提高分割速度和分类的正确率。实验结果表明,新算法对小目标灰度图像的分割效果优于FCM算法。     

基于PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类（FCM）的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。     

基于邻域的多尺度模糊C-均值聚类图像分割

模糊C-均值(FCM)聚类是一种无监督聚类技术,广泛应用于图像分割。但它计算量偏大,且仅利用像素信息对像素进行聚类,而未使用空间分布信息。本文提出基于邻域信息的多尺度FCM聚类图像分割方法,该方法由小波分解得到图像多尺度框架,对框架顶层低分辨率图像的每个像素,用它的邻接像素引导它的聚类过程,来决定该像素的聚类,再由图像框架逐层对聚类分割进行细节修正。分割实验表明,该方法对比标准FCM分割,具有更好的抗噪性,且图像分割更均匀。     

基于模糊聚类的图像分割方法

本文分析了模糊聚类在图像分割领域的应用,介绍了模糊集和聚类分析的作用,最后引出了模糊C均值聚类图像分割算法。     

基于改进人工蜂群的模糊C-均值聚类算法

模糊C-均值聚类算法在数据挖掘领域有着广泛的使用背景,而对初始点的敏感和较差的搜索能力,限制了算法的进一步推广应用。人工蜂群算法具有对初始点不敏感、适应能力强和搜索能力强等优点,并且针对人工蜂群算法对单峰问题收敛速度慢、多峰问题容易陷入局部最优等问题,通过引入差分进化算法中变异和交叉思想,改善蜂群算法的收敛速度,平衡局部搜索和全局搜索能力。然后将改进的人工蜂群算法和模糊C-均值聚类算法结合得到基于改进人工蜂群的模糊C-均值聚类算法,并在多个国际标准数据集上进行验证,实验结果表明此算法在多个衡量指标上取得了明显的改进。     

基于粒子群模糊C-均值聚类的图像分割算法

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。将粒子群优化算法（PSO）与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。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。     

基于混沌粒子群和模糊聚类的图像分割算法*

模糊C-均值聚类算法(FCM)是一种结合模糊集合概念和无监督聚类的图像分割技术,适合灰度图像中存在着模糊和不确定的特点;但该算法受初始聚类中心和隶属度矩阵的影响,易陷入局部极小.利用混沌非线性动力学具有遍历性、随机性等特点,结合粒子群的寻优特性,提出了一种基于混沌粒子群模糊C-均值聚类(CPSO-FCM)的图像分割算法.实验证明,该方法不仅具有防止粒子因停顿而收敛到局部极值的能力,而且具有更快的收敛速度和更高的分割精度.     

基于改进型聚类神经网络的图像分割

将聚类网络用于非监督的图像分割,提出了竞争层神经元的动态调整机制和返回式的非重复训练学习方案,实现了聚类数的自适应增加,解决了随机生成权值矩阵产生的死点问题,提高了算法的收敛性能。实验结果表明,改进的聚类网络的图像分割结果优于C-均值聚类算法和通常的聚类网络。     

改进的快速模糊聚类图像分割算法

模糊C均值(FCM)聚类算法用于图像分割具有简单直观、易于实现的特点,但是存在计算量大、运算速度慢、抗噪能力差等问题,为解决上述问题提出了一种改进的快速FCM算法(FFCM),方法将空间信息融入到标准FCM算法中,将图像从像素空间映射到其厌度直方图特征空间,实现了快速聚类,然后在快速聚类的基础上,充分利用像素的邻域特性,依据最大隶属度原则,划分图像像素的类别归属,对隶属度函数做一定改进.实验结果表明,既能快速有效地分割图像,又具有较好地抗噪能力.     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.     

基于模糊C均值的改进人工蜂群聚类算法*

传统的模糊C-均值聚类算法存在对初始聚类中心选择与噪声数据敏感,容易使目标函数陷入局部最优的问题以及标准人工蜂群算法局部搜索能力及开发能力不强的缺点,针对这个问题,引进差分进化的思想改进人工蜂群算法并对跟随蜂的搜索行为进行更准确的描述,结合模糊C-均值聚类算法具有收敛速度快、易于实现且局部搜索能力较强的优点,提出一种基于模糊C-均值的改进人工蜂群聚类算法以提高聚类的性能。实验结果表明：该算法相对于传统FCM聚类算法,准确率和抗噪性有所提高,聚类的效果更好。     

基于模糊C均值聚类的医学图像分割研究

模糊C均值聚类算法（FCM）在硬C均值聚类的基础上有效地解决了医学图像分割中存在的模糊情况,通过建立表示图像中像素点与聚类中心加权相似度的目标函数,采用迭代优化的方法求解目标函数的极小值来确定最佳聚类。针对FCM算法中存在的对大样本数据分割速度慢、结果易受初始值影响、对噪声敏感、难以适应多种数据分布等缺陷,涌现出了大量的改进算法。对其中的部分改进算法进行综述,主要介绍快速FCM算法、基于初始值选取的FCM算法、基于空间邻域信息的FCM算法以及基于核函数的FCM算法等,并对其优缺点进行概要的总结和介绍。指出该算法进一步的研究方向。     

一种结合人工蜂群和K-均值的混合聚类算法

传统的K-均值聚类算法虽然收敛速度快,但由于过度依赖初始聚类中心,算法的鲁棒性较差。为此,提出了一种改进人工蜂群算法与K-均值相结合的混合聚类方法,将改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。实验表明,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善。     

基于改进模糊C均值的海面目标图像分割算法

提出一种图像分割算法,解决水面无人艇在执行目标跟踪与识别任务过程中的图像快速准备分割问题。首先使用均值滤波算法对彩色的海洋背景图像进行滤波,同时利用其非参数性得到图像的聚类中心和类别数,并以此作为初始化参数进行图像的模糊C均值聚类,在此基础上进行大津法Otsu二值化处理实现目标提取。使用BSDS500标准数据集和海洋背景图像对算法的分割效果及效率进行验证,与传统的模糊C均值算法、脉冲耦合神经网络算法、自适应遗传算法以及马尔科夫随机场算法进行对比的结果显示了该算法的有效性。     

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。     

基于微粒群优化的模糊C-均值聚类彩色图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题。为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心。由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度。实验表明,这种方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割。     

一种自适应的模糊C均值聚类图像分割方法

针对传统的模糊C均值聚类算法(FCM)在图像分割中对噪声十分敏感这一局限性,提出一种自适应的FCM图像分割方法。该方法充分考虑图像像素的灰度信息和空间信息,根据像素的空间位置自适应地计算一个合适的相似度距离来进行聚类分割图像。实验结果表明,与传统的FCM相比,该方法能显著提高分割质量,尤其是能提高对于图像噪声的鲁棒性和分割图像区域边缘的准确性。     

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。