模糊C-均值聚类法在医学图像分析中的应用

主要针对医学图像提出了基于模糊均值聚类的改进算法和应用.该方法分为3步,第1步是像素的模糊化,通过模糊期望值构造冗余图像;第2步是通过冗余图像和原始图像进行聚类分割;第3步是三维显示.由于利用冗余图像增加了每个像素的特征量,该算法增强了聚类分割的精确度.同时,还给出了应用自行开发的三维医学图像处理与分析系统对多种医学图像(包括CT、螺旋CT和MRI)的处理结果.由于对薄骨和关节接合处骨骼的较好识别,使其重建后的三维模型可以清晰地再现解剖结构,取得了较好的效果.     

基于谱分解的模糊C均值算法在彩色图像分割中的应用

针对模糊C均值聚类算法对初始值敏感、易陷入局部最优以及谱聚类算法无法处理样本量过大的问题,提出了一种将模糊C均值聚类算法与谱聚类算法相结合的模糊谱聚类算法应用于彩色图像分割。大致分为三步,第一步对图像进行预处理,将颜色空间由RGB空间转换为Lab空间;第二步对特征空间进行冗余模糊C均值聚类算法得到冗余类;第三步由冗余类的隶属度矩阵和聚类中心矩阵得到冗余类的特征空间,并根据贴进度和传递闭包将该特征空间转换为冗余类的相似度矩阵进行谱聚类,完成冗余类的合并。实验结果表明,与模糊C均值聚类算法相比,模糊谱聚类算法对于初始值敏感问题、易陷入局部最优以及只能识别团状的蔟得到了很好的解决,从而使彩色图像分割结果更加合理。     

融合边缘流和模糊区域聚类的岩心图像分割

提出一种融合边缘流和模糊区域聚类的图像分割方法。选用高精度的灰度边缘流对图像进行分割,得到边缘流的矢量方向和边缘能量,通过曲线演化得到初始分割图像;在初始分割产生的小区域上,综合小区域的色彩空间特征和图像空间特征,进行了模糊区域聚类;将聚类结果用于修正初始分割图像,去除过分割。实验表明,在对岩心图像的分割中,该方法能取得良好的效果。     

一种基于模糊熵和FKCN的边缘检测方法

根据邻域内的灰度分布是有序的、具有方向性以及灰度实质具有结构性三种图像边缘的基本特征,通过引入模糊熵,构造出了一组基于模糊熵的信息测度分量来定量描述图像的这些边缘特征.利用训练样本获取该组分量,并组成一特征向量对模糊Kohonen聚类网络（FKCN）进行训练.用训练好的FKCN聚类网络直接提取其它图像的边缘.该方法无需确定阈值,对弱边界检测较敏感,在特征的选取上充分地考虑了边缘和噪声的本质区别,具有优异的抗噪性能.     

基于三维阈值和PPPSO的图像分割方法

提出一种基于三维阈值和捕食-被捕食粒子群（PPPSO）的图像分割方法。该方法在保留传统二维最大类间方差（Otsu）分割算法优点的基础上,充分利用图像自身模糊信息-模糊中值,该特征维与像素灰度值、邻域均值组成一个三维矢量集;另外,通过采用捕食-被捕食的粒子群优化方法搜索最佳分割阈值,大大缩短了搜索时间,且能快速收敛到全局最优。实验结果表明,该方法具有较好的抗噪性和实时性。     

基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.     

基于核模糊聚类的变分水平集医学图像分割方法

针对现有无须重新初始化的变分水平集分割模型, 存在对边缘模糊、对比度差等图像不是很敏感、分割效果不理想的问题, 提出了一种基于核模糊聚类的变分水平集医学图像分割方法。将原始图像进行核模糊C-均值聚类, 把得到的聚类结果带入初始化水平集函数得到初始轮廓, 最后利用李模型的分割方法实现最终的图像分割。实验结果表明, 该方法具有良好的分割质量, 适应性强, 同时可减少迭代次数。     

单幅散焦图像的局部特征模糊分割算法

当前局部特征模糊分割算法没有对单幅散焦图像进行预处理,导致单幅散焦图像的清晰度较低,从而影响分割效果。原有的模糊分割算法在像素分割的过程中,像素标签量巨大,从而导致分割过程复杂。为此,提出利用免疫谱聚类算法实现对单幅散焦图像的局部特征模糊分割。首先,通过分块的方法对局部模糊图像进行再次模糊;然后,比较模糊前后散焦图像的奇异值变化,并以该变化为依据对散焦图像进行标识 ;最后,提取出单幅散焦图像的奇异值特征,进而实现单幅散焦图像的局部特征模糊分割的目标。利用谱聚类的方法对散焦图像中的像素点样本进行聚类,采用Nystrm逼近方法对像素点相似性矩阵的特征向量进行计算,降低了计算的复杂度;同时利用免疫算法提高聚类结果的准确性,保证了散焦图像的局部特征模糊分割结果。实验结果表明,所提算法能够有效地对单幅散焦图像进行分割,分割的效果较好,计算过程较为简单。     

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合，是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率，提出了一种基于2维直方图加权的塔形模糊c均值（FCM）聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制；然后通过塔形分解来缩减聚类样本集；最后利用加权FCM聚类算法进行分类。仿真结果表明，该方法的效率明显优于标准的FCM算法。此外，为确定分割的最优类别数c，还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度，实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。     

基于特征加权的自然纹理FCM聚类分割算法

为了实现自然材质的纹理分割,根据自然纹理的弱规则性特点,提出一种由图像灰度值、灰度分布统计及图像纹理能量统计作为纹理表征的特征参数,并组成三维特征矢量以实现自然纹理分割的算法。考虑到样本不同特征值对分类的不同影响,算法中引入了特征加权的FCM模糊聚类方法以提高各特征参数在聚类约束力上的可控制性,从而实现纹理图像的更有效分割效果。实验证明,该方法简单高效、可控性强,对各种自然纹理图像具有较好的纹理分割效果。