基于小波分解和模糊聚类的图像分割方法

传统的FCM图像聚类法由于需要大量先验知识和聚类速度的原因,大大限制其在图像分割领域的应用.提出一种基于小波分解和模糊聚类相结合的图像分割算法,首先对图像进行小波变换,对于L空间得到的灰度图像利用小波多尺度分解的性质得到特征图像,利用此特征图像的一维灰度信息采用模糊C均值聚类(FCM)算法,并自动确定FCM算法聚类数和聚类中心从而完成聚类的无监督化,实现对经小波分解后的特征图像的高效快速分割.     

基于梯度算子的蚁群图像分割算法研究

提出了一种基于梯度算子的改进蚁群图像分割算法,解决了用传统分割方法很难将目标与背景灰度值相似图像分割的难题.该算法基于经典的梯度算子图像分割,从聚类的角度出发,综合像素的灰度、梯度特征进行特征分割.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法,通过设置不同的蚁群、聚类中心、启发式引导函数和信息激素来解决蚁群算法循环次数多,计算量大的模糊聚类问题.实验证明,该改进蚁群算法可以快速准确的分割出背景和目标灰度值极其相似图片的目标图像,是一种有效的图像分割方法.     

SOFM模型在杂草图像识别中的应用

针对在杂草图像分割方面存在使用阈值分割需要选择分割阈值、图像分割精度不高等不足,本文结合超绿特征分割算法和SOFM网络,构造出一种杂草图像识别模型——G-SOFM空间聚类模型。该方法是一种无监督学习方式,不需要指定阈值,利用网络自组织、自竞争的特性,实现对杂草图像的分割。在对图像进行超绿特征处理之后,使用超绿特征的灰度和归一化两个特征向量,实现SOFM空间聚类。实验结果表明,改进的G-SOFM方法相比其他三种杂草图像分割算法的分割结果都有一定的提高,分别比HIS阈值分割、超绿特征分割、双阈值分割提高28%、20%、21%。本算法结合后期形态学去噪后,识别正确率可达94%。     

基于图像像素间空间信息的加权模糊阈值分割算法

模糊理论对处理模糊不确定性的事件具有得天独厚的优势,而阈值分割算法是一种简单有效的算法,因此基于模糊理论的阈值分割在图像分割领域中得到广泛的应用。但是多数的阈值分割算法对于灰度图像的处理往往仅利用图像的灰度水平值而未考虑像素的空间邻域信息,大大地增加了灰度图像的目标和背景的误分比率。针对此问题提出一种引入空间信息的加权模糊阈值分割算法,在考虑像素的灰度水平值的同时,将像素与其邻域像素的空间关系作为权重来共同对该像素作用,设计出新的模糊分割函数。实验证明该算法具有较好的稳定性和鲁棒性,对多数图像的梯度的灰度直方图接近单峰的图像和灰度峰值分布距离较远、两峰数量悬殊的双峰图像,均能得到很好的分割效果。     

基于GLCM特征的改进FCM的SAR图像分割方法

为了克服了较大窗口提取图像边缘处特征值的不足,提出一种基于GLCM特征矩阵的动态滑动窗口算法.针对模糊C均值算法中,聚类中心不容易确定,聚类容易陷入局部最优解的问题,将粒子群优化算法(PSO)引入到聚类算法中,实现全局搜索.应用改进的模糊C均值算法完成了基于SAR纹理特征的图像分割,克服了传统聚类算法仅依赖灰度值进行分割的局限性,也一定程度上克服了斑噪声对SAR图像分割的影响.实验结果表明,该方法应用于SAR图像分割时,取得了很好的分割效果.     

基于捕食者—食饵微粒群优化的二维FCM图像分割方法

传统模糊C均值聚类算法进行图像分割时仅利用了像素的灰度信息,没有考虑像素的空间邻域信息,因此抗噪性能差．为了克服传统模糊C均值聚类算法的局限性,提出了一种基于捕食者—食饵微粒群算法的二维模糊C均值聚类图像分割方法．该方法将图像的聚类分割转化为一个优化问题,根据像素的灰度信息和改进二维直方图描述的像素邻域关系特性,建立包含邻域信息的适应度函数,并利用捕食者—食饵微粒群的全局优化能力,通过迭代优化获得最优聚类中心,实现图像分割．仿真结果表明,所提算法不易陷入局部最优,抗噪能力强,聚类正确性高,分割效果好,是一种有效的图像分割算法．     

Mean shift 模糊C 均值聚类图像分割算法

针对传统模糊C均值(FCM)聚类算法对结构复杂图像分割效果不理想且算法执行效率较低的缺陷,提出一种融合均值平移(mean shift)的FCM聚类算法.利用mean shift算法将图像分成若干同质区域,将此区域视为新的节点;通过图像局部信息熵描述新节点的空间和灰度特征;采用能较好模拟人眼非线性视觉响应的指数函数进行相似性测度.实验结果表明,对于复杂背景图像和含噪声图像,所提出的算法在目标提取效果和执行效率上具有较强的鲁棒性.     

结合模糊聚类算法的图像分割方法

在介绍聚类分析原理的基础上,比较了几种聚类分割算法,得出了模糊C-均值聚类方法在图像分割中的优势.最后,基于排列组合熵和灰度特征,结合模糊C-均值聚类算法对图像纹理进行分割.实验结果表明,该方法既能快速地分割图像,又具有较好的抗噪能力,分割效果较为理想.     

基于互信息与类距离测度最优的图像聚类

模糊C均值算法用于图像聚类时,仅考虑图像的灰度信息,忽略灰度的空间分布,未充分利用分割前后图像间的关系。从分割后图像的类距离出发,并利用聚类分割前后图像间的互信息,以基于对称分布多样性的粒子群算法为优化技术,构造了一种新的图像分割方法——基于互信息和类距离测度最优的图像聚类算法。对医学图像进行仿真,实验结果表明该算法得到的图像边界清晰连续,图像的内部特征保持完好,与多种聚类算法相比,图像分割的质量明显得到提高。     

快速模糊C均值聚类的图像分割方法

模糊C均值(FCM)聚类算法广泛应用于图像的自动分割,但标准的FCM算法存在计算量大,运算速度慢等问题。对FCM算法进行改进,提出了一种快速FCM图像分割算法(FFCM),该算法将图像从像素空间映射到其灰度直方图特征空间,并在此基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,实验结果表明该算法能快速有效地分割图像,并具有较好的抗噪能力。     

图象分割的一种神经网络实现方法

本文提出一种通过竞争 Hopfield神经网络 (CHNN)对二维灰度向量聚类和进行图象分割的方法。该方法兼顾了图象的邻域相关信息及图象的边缘特性 ,因而分割准确、抗噪能力强。由于引入竞争学习机制 ,该方法收敛速度较快     

一种改进的彩色图像分割算法

文中算法对传统的基于最大隶属度的彩色图像分割算法进行了改进。传统的基于最大隶属度原则的分割方法根据彩色直方图中的色彩矢量来确定目标和背景色模糊集,而绘制彩色直方图时比较繁琐。为了克服这一缺点,先绘制彩色图像对应的灰度直方图。对应于每一个灰度级,取属于该灰度级的像素中的一个像素的颜色来代表这一灰度级所对应的颜色,并保存其R、G、B值。据此建立一组色彩模糊集。计算图像中的所有色彩在各个模糊集中的隶属度,并基于最大隶属度原则确定色彩的归属。建立一种基于最大隶属度原则的神经网络,实现对彩色图像快速有效的分割。通过灰度直方图判断目标和背景色时的误差很小,并不影响判断。在建立色彩模糊集和计算隶属度实现色彩分类的时候都是根据像素色彩的R、G、B值来实现的,因而没有颜色损失。实验结果证明,该算法对原有的基于最大隶属度原则的彩色图像分割方法进行了改进,速度快,效果好。     

Medical image segmentation using a contextual-constraint-based Hopfield neural cube

Neural-network-based image techniques such as the Hopfield neural networks have been proposed as an alternative approach for image segmentation and have demonstrated benefits over traditional algorithms. However, due to its architecture limitation, image segmentation using traditional Hopfield neural networks results in the same function as thresholding of image histograms. With this technique high-level contextual information cannot be incorporated into the segmentation procedure. As a result, although the traditional Hopfield neural network was capable of segmenting noiseless images, it lacks the capability of noise robustness. In this paper, an innovative Hopfield neural network, called contextual-constraint-based Hopfield neural cube (CCBHNC) is proposed for image segmentation. The CCBHNC uses a three-dimensional architecture with pixel classification implemented on its third dimension. With the three-dimensional architecture, the network is capable of taking into account each pixel's feature and its surrounding contextual information. Besides the network architecture, the CCBHNC also differs from the original Hopfield neural network in that a competitive winner-take-all mechanism is imposed in the evolution of the network. The winner-take-all mechanism adeptly precludes the necessity of determining the values for the weighting factors for the hard constraints in the energy function in maintaining feasible results. The proposed CCBHNC approach for image segmentation has been compared with two existing methods. The simulation results indicate that CCBHNC can produce more continuous, and smoother images in comparison with the other methods.     

基于K-L变换和模糊集理论的彩色字符图像分割

根据彩色印刷字符图像的特点,在Lab颜色空间下提取a分量,将彩色图像转换为灰度图像。根据模糊逻辑和阈值分割方法将图像分为目标区域、背景区域以及模糊区域。用K-L变换组合邻域的区域隶属信息和灰度信息,将灰度域换成模糊域,在该模糊域上进行分割。经实践,该算法在工业环境中对复杂背景的彩色印刷图像可以得到较好的分割效果,其时间复杂度不高于传统的阈值分割算法,并且在分割的精确度上要优于传统的阈值分割算法。     

基于模糊熵和BP神经网络的彩色图像边缘检测

在RGB颜色空间中,分别提取R、G、B三个分量并计算R、G、B三个分量的组合V,通过引入模糊熵,构造出4个基于模糊熵的信息测度分量来定量描述彩色图像的边缘特征,并将4个测度分量组成一个整体的特征向量,计算训练图像的特征向量作为样本对BP网络进行训练,然后将训练的BP网络直接用于边缘检测。该方法充分考虑了颜色空间中各颜色分量以及它们之间的相关性;BP网络的结构和训练都比较简单;实验表明,改进方法具有较强的细节保持能力,对弱边缘具有较强的检测能力。     

基于视觉传达的多维彩色图像模糊区域特征识别方法

为了提高多维彩色图像的检测识别能力,提出一种基于视觉传达的多维彩色图像模糊区域特征识别方法。构建多维彩色图像模糊区域特征匹配模型,采用模板匹配方法进行多维彩色图像的多尺度结构二值模式分割处理,对分割后的彩色图像利用视觉传达方法进行模糊区域特征提取,获得适应于图像识别表达的像素特征集,采用零均值化的图像滤波方法进行多维彩色图像降噪处理,提高多维彩色图像模糊区域特征检测和识别能力,结合图像的旋转不变性和灰度不变性,实现多维彩色图像模糊区域特征识别。仿真结果表明,采用该方法进行多维彩色图像模糊区域特征识别的准确性较高,特征匹配能力较强。     

Color image segmentation using neuro-fuzzy system in a novel optimized color space

Segmentation is one of the most important pre-processing steps toward pattern recognition and image understanding. It is often used to partition an image into separate regions, which ideally correspond to different real-world objects. In this paper, novel color image segmentation is proposed and implemented using fuzzy inference system in optimized color space. This system, which is designed by neuro-adaptive learning technique, applies a sample image as an input and can reveal the likelihood of being a special color for each pixel through the image. The intensity of each pixel shows this likelihood in the gray-level output image. After choosing threshold value, a binary image is obtained, which can be applied as a mask to segment desired color in input image. Besides using fuzzy systems, optimizing color space for segmentation is another feature of proposed method. This optimizing is implemented by genetic algorithms and influence on system accuracy. Two applications of developed method are discussed, and still it could be applicable in wide range of color image segmentation or object detection purposes.     

Color image segmentation using parallel OptiMUSIG activation function

Segmentation of the different feature based data in a dataset is a challenging proposition in the image processing community. There exist different techniques to solve this problem satisfactorily. A color image is an example of three-dimensional dataset and it consists of a collection of three primary color intensity features. In this article, we focus on the segmentation of true color test images, based on all possible combination of color intensity features. A multilevel sigmoidal (MUSIG) activation function that is applied in the self-organizing neural network architecture is quite efficient enough to segment multilevel gray level intensity images. The function uses equal and fixed class responses, ignoring the heterogeneity of image information content. The optimized version of MUSIG (OptiMUSIG) activation function for the self-organizing neural network architecture can be generated with the optimized class responses from the image content and can be used to effectively segment multilevel gray level intensity images as well.     

Color image segmentation using competitive learning

Presents a color image segmentation method which divides the color space into clusters. Competitive learning is used as a tool for clustering the color space based on the least sum-of-squares criterion. We show that competitive learning converges to approximate the optimum solution based on this criterion, theoretically and experimentally. We apply this method to various color scenes and show its efficiency as a color image segmentation method. We also show the effects of using different color coordinates to be clustered, with some experimental results     

多粒度融合的模糊规则系统图像特征学习

当前最流行的图像特征学习方法是深度神经网络,该类方法无需人工参与即可自动地通过特征学习提取高效的特征,用于分类识别等任务。然而,深度神经网络图像特征抽取方法目前也面临着诸多挑战,其有效性严重依赖大规模的数据,且通常被视为黑盒模型,解释性较差。针对上述挑战,以基于模糊规则推理的TSK模糊系统(TSK-FS)为基础,提出了一种适用于不同规模数据集且易于理解的特征学习方法——多粒度融合的模糊规则系统图像特征学习算法。该方法通过基于规则的TSK-FS抽取图像特征,因而特征学习过程是可以利用规则进行解释的。其次,多粒度扫描也使得其特征学习能力进一步提升。在不同规模的图像数据集上进行了充分的实验,实验结果表明该方法在图像数据集上具有较好的有效性。