基于遗传算法阈值优化的模糊边缘检测

针对Pal和King提出的模糊边缘检测算法易导致图像灰度信息丢失的问题,提出一种改进的图像模糊边缘检测算法。算法先使用遗传算法和Otsu得到最佳阈值参数,通过阈值定义一个新的隶属函数将原始图像映射到模糊特征平面;然后利用模糊增强提高区域之间的层次,加强边缘两侧的对比度;再对图像进行灰度增强;最后用Min算子提取出图像的边缘。实验结果表明,改进算法提高了边缘检测质量。     

基于广义模糊算子的射线检测焊接图像增强

针对射线检测焊接图像存在对比度差,灰度范围小,影像模糊,一般的增强方法不能在增强对比度同时较好保持边缘的问题,在分析传统模糊增强算法的基础上,引入广义模糊集合的概念．利用广义模糊变换范围大的特点,将图像映射到广义模糊空间,选用分段正弦函数作为模糊隶属度,提出一种适用于射线检测焊接图像的广义模糊增强算法．通过对焊缝图像进行广义模糊增强处理表明,该算法在增强对比度同时又可较好保持边缘．引入了模糊熵的方法来评价图像的增强效果,并对提出的正弦隶属度函数及广义模糊增强算子的特性进行了分析．     

基于噪声距离的低对比度图像抗噪分割算法

针对核空间模糊局部信息C-均值聚类算法(KWFLICM)对低对比度图像抗噪性差的不足,提出一种基于噪声距离的核空间模糊局部信息C-均值聚类算法。该算法在KWFLICM算法的基础上改变隶属度约束条件并引入噪声距离δ获得一种改进的聚类目标函数,并借鉴现有噪声聚类思想构造出具有良好抗噪性的模糊聚类迭代隶属度和聚类中心表达式,最后给出相应的聚类分割算法。实验结果表明,该改进算法对于椒盐噪声干扰的对比度较弱的灰度图像比KWFLICM聚类分割算法更有优势。     

基于邻域加权的多层次模糊边缘检测算法

针对目前边缘检测方法在低对比度图像、噪声图像中检测效果不理想的问题,本文结合微分算子和模糊边缘检测的优点,提出一种基于邻域加权的多层次模糊边缘检测方法。首先,利用微分算子计算图像梯度特征,依据图像梯度特征对图像进行自适应地分层;然后构造模糊函数,用模糊函数增强不同强度的图像梯度特征,取得了较好的边缘检测结果。仿真实验表明:基于邻域加权的多层次模糊边缘检测算法能较好地检测低对比度图像的边缘,同时能有效抑制椒盐噪声、高斯噪声对图像边缘检测的干扰。     

改进的模糊竞争边缘检测方法

广义模糊增强的主要功能是增强图像的区域对比度,减少灰度层次;而具有竞争性质的模糊边缘检测方法希望待处理图像的区域对比度大.所以将广义模糊增强算法用于对图像作区域对比度增强处理,然后对增强后的图像再施以具有竞争性质的模糊边缘检测方法,便可以提高图像边缘的提取精度.     

一种基于改进PFCM的鲁棒图像分割算法

给出一种基于图形模糊聚类(fuzzy clustering method on picture fuzzy sets,PFCM)的改进鲁棒分割算法。该算法将样本聚类所对应的中立度和拒绝度相结合,构造幂积型表达式,将该表达式作为正则项嵌入聚类目标函数,通过目标函数最小化存在极值的必要条件获得改进的图形模糊聚类迭代方法。再将邻域像素灰度信息嵌入改进的图形模糊聚类目标函数,利用拉格朗日乘子法获得图像分割的像素聚类迭代算法。通过标准图像及噪声干扰的分割测试,结果表明,与模糊C-均值聚类、直觉模糊聚类算法和图形模糊聚类分割算法相比,改进算法对无噪图像分割更有效;与鲁棒模糊C-均值聚类和鲁棒直觉模糊聚类算法相比,改进算法对噪声图像分割具有更强的抗噪能力。     

基于模糊变换的射线图像增强算法

运用模糊理论的思想提出了一种基于模糊变换域的射线图像增强算法,该算法利用模糊隶属度函数对中值滤波的结果进行改善,引入对数图像处理模型对模糊线性增强的结果加以优化,使其在抑制噪声的同时显著提高了图像对比度.     

基于模糊理论的医学图像增强方法

提出了一种基于模糊逻辑理论的医学图像边缘检测的增强算法.该方法采用S函数作为隶属函数,实现空间域与模糊域之间的转换;在模糊域中采用幂次变换对图像进行对比度增强,最后再通过逆模糊化过程将数据映射到空间域中,得到增强后的图像.实验表明,针对所要处理的医学图像,与几种经典的处理方法相比,所提出的方法使增强后的图像能显示出更完整的边界信息.     

基于改进模糊均值聚类算法的遥感图像分割技术

针对遥感图像分割迅速性和准确性不高的问题,提出了一种基于改进模糊均值聚类算法的遥感图像分割技术并将其应用于电力规划建设领域。以模糊均值聚类算法为基础,采用样本特征值平方差方式定义了新的特征距离,并通过引入空间函数方式实现了对图像空间信息的利用,从而对模糊均值聚类算法进行改进。结果表明：改进FCM算法单张图像处理时间约为FCM-S图像处理算法的0.43倍,约为FCM图像处理算法的0.19倍;改进FCM算法图像分割准确率约为95.3%,比FCM-S算法高约2.7%,比传统FCM算法高约7.1%。     

模糊C-均值聚类图像分割算法的一种改进

针对传统模糊C-均值聚类算法对含噪图像分割时未充分考虑空间信息的问题,提出一种改进的模糊C-均值聚类算法,将图像的局部和非局部两种空间信息引入到模糊C-均值聚类算法的目标函数中,以使两种空间信息在含噪图像分割中发挥互补作用。将改进算法应用于不同含噪图像的分割实验,结果表明图像像素的均方误差均比改进前有所降低。