基于SSCL的模糊C均值图像分类方法

针对传统模糊C均值聚类方法对噪声敏感和过分依赖于初始聚类中心的缺点,提出基于SSCL的模糊C均值图像分类的自适应算法。该算法首先通过SSCL获得初始类别数和类别中心,然后作为模糊C均值聚类的输入,自动对图像进行分割,并对图像分割结果利用空间信息进行后处理。实验结果表明该方法较好地解决了FCM算法中的初始化和噪声敏感问题,具有较好的分类结果。     

基于Canopy聚类的噪声自适应模糊C-均值算法

针对局部空间信息的模糊C-均值算法（WFLICM）中空间影响因子容易受到噪声影响出现错误标识的问题,提出一种融合局部和非局部空间信息的模糊C-均值聚类图像分割算法(NLWFLICM),在WFLICM算法的模糊影响因子中引入非局部空间信息,根据噪声程度自适应地设置局部和非局部信息权重,并重新标记中心点的模糊影响因子。实验结果表明,NLWFLICM算法具有比WFLICM算法更强的鲁棒性和自适应性,并在一定程度上提高了WFLICM算法对含有大量噪声图像进行分割的鲁棒性,同时保留了图像的纹理。为了提高算法的聚类性能和收敛速度,结合Canopy算法能够快速对数据进行粗聚类的优点,提出基于Canopy聚类与非局部空间信息的FCM图像分割改进算法（Canopy-NLWFLICM）,可以在NLWFLICM算法聚类前,对聚类中心进行预处理,从而提高收敛速度和图像分割精度。     

基于改进模糊C均值聚类的光伏面板红外图像分割

红外图像具有对比度低和信噪比低等特点,这对红外光伏面板图像的分割始终是一个巨大的挑战.为了解决传统的模糊C均值（FCM）聚类算法易受到初始聚类中心不确定的影响和不考虑空间信息的问题,提出了一种基于模糊C均值改进的聚类分割算法,该算法利用直方图的特点确定初始聚类中心,同时在传统的模糊C均值（FCM）和模糊核C均值算法（KFCM）的基础上,利用像素之间的空间信息和邻域像素之间的关系改进传统FCM聚类目标函数,从而推导出新的目标函数.实验结果表明,该算法在分割质量和效果上与Otsu算法、文献[20]的自适应k-means算法及模糊核C均值算法（KFCM）相比,过分割和错分割率明显降低,且分割效果非常接近手动分割图.     

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。     

基于蚁群优化的直觉模糊聚类脑MR图像分割

针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像.该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割.实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于FCM及相关改进算法具有更高的分割精度和分割效率.     

基于空间距离的快速模糊C均值聚类算法

针对传统的模糊C均值聚类算法在进行图像分割时对孤立点、噪声点敏感性较强,聚类耗时随图像变大而快速增长等缺陷,基于临近元素空间距离的模糊C均值聚类算法即SFGFCM算法,采用核化的空间距离公式,计算出空间临近像素与考察像素的相似度Sij,然后用邻近像素灰度加权和计算出邻近信息制约图像,并进一步在邻近信息制约图像的灰度级统计的基础上进行聚类。该算法考察了临近像素灰度和位置等信息,并且它们之间取得了很好的平衡;不仅表现出较强的鲁棒性且很好地保留了原图像边缘等细节信息,提高了聚类精度,同时大大缩短了大幅图像的聚类时间。通过在合成图像、医学图像及自然图像上的大量实验,与传统算法对比该算法聚类性能明显提高,在图像分割上体现出了较好的分割效果。     

基于ELM的局部空间信息的模糊C均值聚类图像分割算法

极限学习机（Extreme learning machine, ELM）作为一种新技术具有在回归和分类中良好的泛化性能。局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means, WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力。基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM)。该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means,NKWFLICM)进行聚类。 实验结果表明 ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效, 同时克服了模糊聚类算法对模糊指数的敏感性问题。     

非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

各向异性权重的模糊C均值聚类图像分割

传统的模糊C均值聚类算法(FCM)在图像分割中未考虑各个点的灰度特征及其邻域像素的关联程度,导致其对于噪声十分敏感.而各种改进算法虽然较好地克服了图像噪声的影响,但由于使用均值滤波等方法导致分割图像边缘模糊.为此,提出一种基于各向异性权重的FCM图像分割方法,通过引入新的邻域窗口权重的计算方法,使得中心点邻域内各点具有各向异性的权重;并使用基于灰度级的快速算法,提出了各向异性权重的模糊C均值聚类算法.实验结果表明,文中方法具有较强的抗噪性,对于噪声具有良好的稳定性,分割精度较高.     

基于分裂式K均值聚类的图像分割方法

模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响。因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化。实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度。     

结合隶属度与像素交替引导滤波的鲁棒模糊聚类算法

模糊局部信息C-均值（FLICM）聚类算法是目前应用较广泛的图像分割算法,然而仅适用于处理低噪声图像。FLICM算法与像素引导隶属度滤波的结合在一定程度上提高了噪声抑制能力,但仍无法满足强噪声图像的分割需求。联合引导滤波与基于核度量的加权模糊局部信息C-均值（KWFLICM）聚类算法,提出一种隶属度与像素值交替引导的核模糊聚类算法。将像素引导隶属度滤波模块和隶属度引导像素滤波模块引入KWFLICM算法,构造一种引导滤波约束的多目标核模糊聚类优化模型,采用最小二乘法对该模型进行迭代求解。在迭代过程中,通过像素引导隶属度滤波和隶属度引导像素滤波,分别修正输入图像的隶属度和像素值,进一步提高核模糊聚类算法对含噪图像的鲁棒性。实验结果表明,与同类核模糊聚类算法相比,该算法在莱斯噪声干扰下的误分率、精确度、峰值信噪比、Jaccard相似系数等评价指标上表现突出,具有更好的分割性能和更强的鲁棒性。     

结合小波变换和改进邻域权值的FCM算法

针对改进的模糊C均值聚类算法在进行图像分割时构建的邻域权值函数未能同时考虑空间结构信息和灰度值域信息,而导致对噪声敏感及边缘纹理信息的处理粗糙的问题,提出了一种结合小波变换和改进邻域权值的FCM算法.该算法首先在原始灰度图像的基础上进行小波多分辨率分析的自适应阈值去噪处理;然后在重构图像上结合双边滤波的思想构建一个基于图像块局部空间邻域信息和灰度值域信息的改进邻域权值函数.实验结果表明,该算法比传统FCM算法以及FCM的改进算法有更高的分割精确度,对强噪声更具鲁棒性,图像边缘也更加平整.     

保边滤波和改进FCM的疑似肺结节分割方法

提出一种基于保边滤波和改进FCM算法的疑似肺结节自动分割方法。首先,分离出边缘光滑的肺实质并通过非线性各向异性扩散滤波增强肺区疑似病灶,然后运用改进的模糊C-均值聚类算法分割出不同大小的疑似肺结节。实验结果证明,该方法能够自动、准确地完成疑似肺结节分割,比用传统的FCM算法取得更佳效果,并具有良好的鲁棒性和效率。     

基于结合空间信息的FCM聚类的分水岭图像分割

提出了一种分水岭变换和结合空间信息的FCM聚类相结合的图像分割方法。方法采用基于图论的结合区域特征信息和空间信息的距离度量,以分水岭变换得到的图像分割小区域为节点构建一个连通加权图,通过计算图上不同节点之间的最短路径来度量不同区域之间的相似程度,从而实现过分割小区域的合并。该方法综合考虑了区域的特征之间的差异和空间位置的差异,与传统的FCM聚类方法在特征空间进行聚类相比,具有较强的噪声抑制能力。图像分割的实验结果证明了该算法的可行性和有效性。     

各向异性导向滤波的红外与可见光图像融合

目的 针对红外与可见光图像融合时易产生边缘细节信息丢失、融合结果有光晕伪影等问题，同时为充分获取多源图像的重要特征，将各向异性导向滤波和相位一致性结合，提出一种红外与可见光图像融合算法。方法 首先，采用各向异性导向滤波从源图像获得包含大尺度变化的基础图和包含小尺度细节的系列细节图；其次，利用相位一致性和高斯滤波计算显著图，进而通过对比像素显著性得到初始权重二值图，再利用各向异性导向滤波优化权重图，达到去除噪声和抑制光晕伪影；最后，通过图像重构得到融合结果。结果 从主客观两个方面，将所提方法与卷积神经网络（convolutional neural network，CNN）、双树复小波变换（dual-tree complex wavelet transform，DTCWT）、导向滤波（guided filtering，GFF）和各向异性扩散（anisotropic diffusion，ADF）等4种经典红外与可见光融合方法在TNO公开数据集上进行实验对比。主观分析上，所提算法结果在边缘细节、背景保存和目标完整度等方面均优于其他4种方法；客观分析上，选取互信息（mutual information，MI）、边缘信息保持度（degree of edge information，Q^AB/F）、熵（entropy，EN）和基于梯度的特征互信息（gradient based feature mutual information，FMI_gradient）等4种图像质量评价指数进行综合评价。相较于其他4种方法，本文算法的各项指标均有一定幅度的提高，MI平均值较GFF提高了21.67%，Q^AB/F平均值较CNN提高了20.21%，EN平均值较CNN提高了5.69%，FMI_gradient平均值较GFF提高了3.14%。结论 本文基于各向异性导向滤波融合算法可解决原始导向滤波存在的细节"光晕"问题，有效抑制融合结果中伪影的产生，同时具有尺度感知特性，能更好保留源图像的边缘细节信息和背景信息，提高了融合结果的准确性。     

Fuzzy c-means clustering with weighted image patch for image segmentation

Fuzzy c-means (FCM) clustering has been widely used in image segmentation. However, in spite of its computational efficiency and wide-spread prevalence, the FCM algorithm does not take the spatial information of pixels into consideration, and hence may result in low robustness to noise and less accurate segmentation. In this paper, we propose the weighted image patch-based FCM (WIPFCM) algorithm for image segmentation. In this algorithm, we use image patches to replace pixels in the fuzzy clustering, and construct a weighting scheme to able the pixels in each image patch to have anisotropic weights. Thus, the proposed algorithm incorporates local spatial information embedded in the image into the segmentation process, and hence improve its robustness to noise. We compared the novel algorithm to several state-of-the-art segmentation approaches in synthetic images and clinical brain MR studies. Our results show that the proposed WIPFCM algorithm can effectively overcome the impact of noise and substantially improve the accuracy of image segmentations.     

基于核与局部信息的多维度模糊聚类图像分割算法

在以聚类分析为背景的图像分割算法中,引入局部信息是为了在保留图像细节的同时尽可能地减少噪声.在模糊C均值算法基础上,提出了一种基于核与局部信息的多维度模糊聚类分析方法来权衡图像中的噪声和细节.该算法引入2个基于局部信息的图像变体,即平滑和锐化处理后的图像,使之与原始图像一起构成多维度的灰度值向量来替换原始单维的灰度值; 再利用核方法提高其鲁棒性; 最后添加一个邻域隶属度差异惩罚项很好地修正和增强了最终的分割效果.在人工合成图片的去噪实验中,所提方法取得了近99%的分割正确率,优于Nystrom归一化分割(NNcut)和基于模糊局部信息C均值(FLICM)算法;同时在自然图片和医学图片的对比实验以及参数调控实验中,展现出了其在处理图像噪声和细节时灵活、稳定、健壮且易于调控的特点.     

基于Type-2模糊聚类的图像分割算法

模糊C均值算法是图像分割的常用方法,但该算法对噪声非常敏感。为此,提出一种新算法,在模糊C均值算法基础上引进Type-2模糊理论,以提高算法的分割准确性和鲁棒性。该算法对模糊C均值算法中每一个样本的隶属度进行分段线性拉伸,利用拉伸的结果作为一个新的隶属度函数,并用该函数对图像进行分割。实验结果表明,该算法准确性较高,且具有良好的抗噪能力。     

基于小波图像融合算法和改进FCM聚类的MR脑部图像分割算法

针对很多基于模糊C均值(FCM)的图像分割算法存在对噪声敏感和分割轮廓不清晰等问题,提出一种基于小波变换图像融合算法和FCM聚类算法的MR医学图像分割算法。在图像分割系统的第一阶段,利用Haar小波多分辨率特性保持像素间的空间信息;第二阶段,利用小波图像融合算法对得到的多分辨率图像和原始图像进行融合,进而增强被处理图像的清晰度并降低噪声;第三阶段,利用改进型FCM技术对所处理的图像进行分割。在BrainWeb数据集上进行实验,与现有相关算法相比,提出的算法具有较高的分割精度,且对噪声的鲁棒性比较强,处理时间也没有明显增加。     

自适应灰度加权的鲁棒模糊C均值图像分割

针对传统模糊C均值(fuzzy C-means,FCM)算法以及结合空间信息的相关改进算法分割精度较低、对噪声敏感的问题,提出一种自适应灰度加权的鲁棒模糊C均值图像分割算法。首先,通过定义像素间的局部灰度相似性测度来反映各像素对局部邻域的影响程度,并根据邻域窗口中各像素的灰度差异,利用指数函数进一步控制邻域像素的影响权重,实现像素灰度的自适应加权,从而提高像素灰度计算的准确性。其次,构造出一种改进的距离测度代替传统的欧氏距离,用于计算各像素与聚类中心之间的相似距离,增强算法对噪声和异常值的鲁棒性。最后,将提出的自适应灰度加权方法与改进的距离测度应用到FCM算法中,实现图像分割。实验结果表明,该算法需根据图像噪声的强度适当地选取邻域窗口大小,在此条件下算法能够取得较优的分割效果和运行效率,且对噪声具有较强的鲁棒性。