改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值（FCM：FuzzyC—Means）聚类算法应用于图像分割时,因对噪声较敏感而达不到理想的分割效果。为此,提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数,提高对图像噪声的鲁棒性,使分割的结果更加符合期望。实验结果表明,该算法对噪声具有较强的抑制能力,图像分割时能获得较好的分割效果。     

基于空间邻域信息的模糊聚类图像分割

模糊C均值(Fuzzy C-means,FCM)聚类算法在图像分割中已获得广泛应用.为了克服传统FCM算法抗噪性能差的局限性,提出了一种新的基于空间邻域信息的模糊聚类图像分割方法.该方法将图像的聚类分割转化为一个优化问题,通过建立包含邻域信息的适应度函数考虑像素之间的相互影响,利用捕食者-食饵微粒群的全局优化能力获得最优聚类中心,实现图像分割.仿真结果表明,提出的算法不易陷入局部最优,抗噪能力强,分割效果好,是一种有效的图像分割算法.     

改进的核空间直觉模糊C-均值聚类分割算法

针对鲁棒模糊局部信息C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的核空间直觉模糊C-均值聚类算法。将像素空间邻域信息和直觉指数引入到鲁棒模糊局部信息C-均值聚类目标函数,给出改进的像素空间邻域信息约束的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,以便提高图像局部信息的有效分割能力。实验结果表明,改进的核空间直觉模糊聚类分割算法相比现有鲁棒模糊局部信息C-均值聚类分割算法能获得更好的分割效果。     

基于改进的模糊C均值聚类算法的颗粒种子图像分割方法

针对利用模糊C均值聚类(FCM)算法进行农作物颗粒种子数字图像分割时的噪声敏感性问题,提出在传统FCM算法的目标函数中加入惩罚项来表示邻域像素值影响的方法,即利用图像的空间信息提高聚类准确性,并通过像素距离因子来修饰空间作用的方法,进行距离模糊加权因子对目标函数的改进.实验结果表明,利用改进的FCM算法在将颗粒种子图像从背景图像中分割出来时,抗噪声性能比传统FCM算法更好,程序运行耗时节省一半左右,准确率从93%提高到99%,为下一步利用机器视觉系统进行颗粒种子计数检测打下良好基础.     

基于核函数及空间邻域信息的FCM图像分割新算法

针对传统FCM算法在进行图像分割时对噪声敏感的问题,提出一种新的基于核函数及空间邻域信息的FCM图像分割算法。该算法根据像素间灰度值的差异程度,将空间信息引入传统的FCM算法,建立新的包含邻域信息的隶属度迭代函数,实现图像的分割。同时,算法还引入核函数,用内核诱导距离代替了传统FCM算法中的欧式距离,对输入图像的样本特征进行优化。实验结果表明,本文算法能够获得较好的分割效果,同时具有较强的抑制噪声的能力。     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊C均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值．文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO—FCM）．利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题。同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM进行图像分割．实验表明,该方法能解决FCM算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果．     

基于蚁群及空间邻域信息的FCM图像分割方法

针对模糊C均值(FCM)聚类算法聚类个数难以确定、搜索过程易陷入局部最优的缺陷,把蚁群算法与改进的FCM聚类算法相结合,提出了一种基于蚁群算法的带有空间邻域信息的模糊C均值聚类图像分割算法.首先利用分水岭算法对图像进行初始分割,然后利用蚁群算法寻优,求得聚类中心和聚类个数,将其作为模糊C均值聚类的初始聚类中心和聚类个数进行模糊聚类.实验结果表明:由于聚类样本数量显著减少,很大程度上提高了聚类速度和抗噪能力,增强了算法的鲁棒性.     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊 C 均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值. 文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO-FCM）. 利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题,同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM 进行图像分割. 实验表明,该方法能解决 FCM 算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果.     

一种改进的FCM聚类算法在噪声图像分割中的应用

针对传统模糊C均值聚类算法(FCM)在图像分割应用中具有噪声敏感性的问题,提出一种改进的NFCM算法.该算法通过依据邻域期望极大值准则考虑一个中心像素的邻域像素值对其的影响,进而修改标准FCM算法的目标函数来实现.实验结果表明,该算法在分割带有噪声的图像时,图像去噪效果较其他FCM衍生算法更好,耗时更少,而且具有很好的鲁棒性.     

显著信息引导的直觉空间模糊聚类图像分割

为克服直觉模糊C-均值(IFCM)聚类算法应用于图像分割时,易受噪声影响,且对聚类中心初始值敏感的缺陷,给出显著信息引导的直觉空间模糊聚类图像分割方法。使用图像的显著信息初始化聚类中心,能够很大程度地防止算法陷入局部最优;将改进的融合局部空间信息的模糊因子引入到IFCM聚类算法中,可提升算法的抗噪性能。实验结果表明所给方法能在多种含噪声图像上得到较好的分割效果。     

基于改进FCM和径向基函数插值的图像修复

图像破损区域的检测提取是图像修复过程中的关键预处理步骤,模糊C均值聚类算法(FCM)在聚类过程中易受到初始聚类中心影响并陷入局部最优.提出一种基于差分演化的改进模糊C均值聚类算法(DEFCM),该方法通过建立图像的灰度-梯度直方图获取聚类数目,作为差分演化算法(DE)问题的维数,结合改进的FCM自适应提取图像破损区域,在此基础上,利用径向基函数插值方法(RBF)对图像进行修复.经实验验证,该方法能解决FCM算法陷入局部最优的问题,能正确、稳定的提取灰度图像的多种破损区域,RBF通过对破损区域的插值得到缺失信息,实现图像的修复.     

基于混沌粒子群和模糊聚类的图像分割算法研究

针对模糊C-均值聚类算法受初始聚类中心和隶属度矩阵的影响,易陷入局部最优解,以至于得不到最佳聚类结果等问题,提出了一种新的基于混沌粒子群的模糊C-均值聚类的图像分割算法。该算法采用逻辑自映射函数初始化均匀分布的粒子群,当算法陷入早熟收敛时进行混沌优化,以改善因粒子停滞而收敛到局部最优解的能力。实验结果表明,该算法具有更快的分割速度和更高的分割精度。     

NSCT变换与空间约束模糊核聚类红外图像分割算法

红外图像成像模糊、易受噪声污染,分辨率低,采用标准的FCM分割算法会出现失效和误分割。通过对以往各种方法的研究,根据红外图像的特点及FCM算法的不足,提出采用在NSCT变换域进行去噪预处理与改进的FCM算法相结合的分割算法。首先对红外图像进行NSCT变换,在变换域,采用自适应阈值法去除各细节子带中的噪声,其次在FCM算法中引入核映射将数据映射到非线性空间中进行聚类划分,最后采用邻域信息修正当前像素的隶属度值,得到更准确的聚类结果。实验结果证明该算法较FCM、KFCM、SFCM聚类分割算法有更好的分割精度。     

基于FCM的动态结合全局图像阈值分割

全局阈值分割对于小目标物效果不理想,动态阈值容易产生阴影等干扰,但综合考虑全局阈值和动态阈值可以达到比较理想的结果。模糊C均值算法用于灰度图像分割是一种非监督模糊聚类后再标定的过程,该文在不明显增加运算量的前提下,利用模糊C均值自动聚类的功能分别得到全局阈值和动态阈值,完成对阈值矩阵的构造和图像的分割。     

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。     

基于微粒群优化算法的文本模糊聚类方法

针对模糊C-均值算法(FCM)具有局部最优问题和初值敏感性的缺陷,将微粒群优化算法应用于文本模糊聚类, 提出了基于微粒群优化算法的模糊C-均值算法PFCM．该算法首先采用实数编码方式对聚类原型进行编码,利用微粒群优化算法的全局搜索性能对初始聚类原型的选取进行指导,然后利用模糊C-均值算法进行聚类．使用算法PFCM对文本集合进行聚类实验,并用目标函数值和划分系数来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的全局收敛性和较好的聚类结果．     

结合空间信息的模糊C均值聚类的图像分割算法

针对传统的模糊C均值聚类算法未考虑图像的空间信息,对噪声图像分割不理想,提出了一种结合空间信息的模糊C均值聚类的图像分割算法。此算法充分考虑像素的邻域特性,对隶属度函数做一定的修改,并将局部信息和非局部信息引入到数据和聚类中心的相异性测度中。实验结果表明,该算法能有效地分割图像,并具有较好的抗噪能力。     

基于超像素和密度峰值聚类的图像分割

图像分割是计算机视觉领域的一个重要组成部分。密度峰值聚类已应用于图像分割领域。但由于密度峰值聚类在聚类时只能考虑数据的全局空间信息,不能有效去除图像噪声,因此提出了一种超像素的图像预处理方法。该方法能充分考虑局部空间信息,具有较强的鲁棒性。通过改进的形态梯度重建和分水岭算法得到具有精确轮廓且去噪效果较好的超像素图像。在此基础上,加入密度峰值聚类完成后续分割。通过在光学图像数据集BSDS 500上进行实验,验证了超像素算法及图像分割算法的有效性。     

New two-dimensional fuzzy C-means clustering algorithm for image segmentation

To solve the problem of poor anti-noise performance of the traditional fuzzy C-means （FCM） algorithm in image segmentation, a novel two-dimensional FCM clustering algorithm for image segmentation was proposed. In this method, the image segmentation was converted into an optimization problem. The fitness function containing neighbor information was set up based on the gray information and the neighbor relations between the pixels described by the improved two-dimensional histogram. By making use of the global searching ability of the predator-prey particle swarm optimization, the optimal cluster center could be obtained by iterative optimization, and the image segmentation could be accomplished. The simulation results show that the segmentation accuracy ratio of the proposed method is above 99%. The proposed algorithm has strong anti-noise capability, high clustering accuracy and good segment effect, indicating that it is an effective algorithm for image segmentation.