一种基于聚类的彩色图像分色算法

图像分色在纺织和印刷等行业中有着广泛而重要的应用,其目的是用尽量少的颜色采描述一幅彩色图像,使得到的分色图像与原图像尽可能的接近。提出一种基于单遍聚类和K-均值聚类相结合的自适应图像分色算法。该算法首先对原图像颜色进行统计学习,由单遍聚类产生初始调色板,然后根据该调色板对原图像的像素点进行K-均值聚类,产生分色图像。实验结果表明,与单纯K-均值聚类算法相比,该算法能在提高分色图像质量的同时进一步减少颜色数。     

自适应FCM算法在图像分割中的应用研究

针对目前还没有较好的方法确定模糊C均值FCM聚类中C值和各个初始聚类中心这一问题,提出一种先用进化聚类快速确定初始聚类中心和聚类个数C,后用模糊C均值FCM聚类的算法,算法时间复杂度和空间复杂度与C均值FCM基本相当。应用该算法在人物图像和遥感图像中进行了分割实验验证,算法在分割的准确性和模糊边界的分隔上取得令人满意的效果。     

结合爬山法的模糊C均值彩色图像分割方法

采用传统的模糊C均值聚类(FCM)算法进行彩色图像分割存在聚类数的选取、初始聚类中心的确定、迭代过程中的大计算量及后处理等问题。在对上述问题进行研究的基础上,针对传统FCM聚类分割时初始值选取方法的盲目性和随机性,为了更准确地自动获取待分割图像聚类的初始参数,提出了一种结合爬山法的模糊C均值彩色图像分割方法(HFCM),该方法可根据待分割图像的三维颜色直方图自适应地获取FCM算法的初始聚类中心及聚类数目,同时提出一种最频滤波与区域合并相结合的新的后处理策略,有效消除了小的空间区域。实验表明,相对于传统FCM,该图像分割方法的速度较快,并且分割结果更接近人类分割效果。     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

彩色图像分割方法及其在农业中的应用

根据作物生长状态参数检测的特点,采用了一种基于混合颜色空间的模糊C均值聚类分割方法来提取目标以便测量.该方法对传统模糊C均值聚类算法中存在的一些问题进行了改进,首先在HSV空间分析H直方图确定出最佳聚类数,并在Lab空间初始化聚类中心,最终在Lab空间对图像进行分割来得到目标图像.将该方法应用到作物生长状态参数的检测中来提取目标,相比其他方法取得了较好的结果.     

基于改进K均值聚类算法的星点聚类研究

针对高分辨率天文图像中的星点聚类研究中存在的 2 个问题：①天文图像的分辨率 较高,且图像处理速度较慢;②选取何种聚类算法对天文图像中的星点进行聚类分析效果较好。 在研究中,问题 1 采用图像分块的方法提高图像的处理速度;问题 2 提出了一种改进的 K 均值聚 类算法,以解决传统的 K 均值聚类算法的聚类结果易受到 k 值和初始聚类中心随机选择影响的问 题。该算法首先在用 K 均值聚类算法对数据初步聚类的基础上确定合适的 k 值,其次用层次聚类 对数据聚类确定初始聚类中心,最后在此基础上再采用 K 均值聚类算法进行聚类。通过 MATLAB 仿真实验的结果表明,该算法的聚类结果与效率优于其他聚类算法。     

自适应模糊C均值聚类彩色图像分割方法

模糊C均值聚类用于彩色图像分割具有简单直观,易于实现的特点,但存在聚类性能受中心点初始化影响且计算量大等问题,为此,提出一种自适应模糊C均值分割方法.算法根据人类的视觉特性,参照NBS距离与人类视觉对颜色差别的定量关系,结合具体图像的色彩分布,自动确定初始聚类中心及聚类数目,继而进行模糊C均值聚类.实验表明,该方法无需人为的干预,分割速度快,分割效果跟人的主观视觉感知保持了良好的一致性.     

结合颜色和纹理的改进K均值遥感图像聚类

提出一种改进的基于遥感图像的颜色和纹理特征进行聚类的K均值算法。该算法通过统计图像色度直方图的峰值,来获得三组聚类个数和初始聚类中心,并结合色度和基于灰度共生矩阵的纹理特征形成图像聚类特征,然后进行改进的K均值聚类,最后选择silhouette均值最大的一组作为最佳聚类结果。该方法的随机性和聚类误差比传统K均值算法小,实验结果证实了该方法的可行性和有效性。     

HSI颜色模型下基于空间信息的FCM算法

针对提花毛皮样片的花型识别技术,在HSI颜色模型下提出了一种基于空间信息的FCM图像分割算法。算法在HSI颜色模型下获得FCM算法的初始聚类中心,并采用了基于空间信息的模糊C均值聚类方法对图像进行分割。经C++编程验证,算法能有效去除花型图像中的噪声,获得较理想的花型识别结果。     

聚类分析在高保真彩色印刷分色中的应用

研究一种新的基于改进的K均值聚类的高保真彩色印刷分色方法,算法首先将彩色图像通过非线性变换,转换到Lab颜色空间,再利用改进的K均值聚类算法进行色彩学习,最后经过改进的误差分散求取结果.算法优点是利用图像的空间相关信息,使分色结果得到局部优化;同时,由于阈值的引入,可以很好地控制分类精度;最后,通过对误差分散算法的改进,同时保证了分色图像色彩的连续性与差异性.     

基于HSI空间模糊聚类的彩色图像分割新方法

模糊C均值(FCM)被广泛应用于彩色图像分割中,但传统的模糊C均值由于没有考虑空间信息,因此对噪声特别敏感。针对此问题,提出了一种在HIS颜色空间结合像素邻域空间信息的模糊聚类新方法。实验结果表明,此方法对高噪声图像有较好的处理结果。     

Color image segmentation—an innovative approach

In this paper we describe a color image segmentation system that performs color clustering in a color space and then color region segmentation in the image domain. For color segmentation, we developed a fuzzy clustering algorithm that iteratively generates color clusters using a uniquely defined fuzzy membership function and an objective function for clustering optimization. The fuzzy membership function represents belief value of a color belonging to a color cluster and the mutual interference of neighboring clusters. The region segmentation algorithm merges clusters in the image domain based on color similarity and spatial adjacency. We developed three different methods for merging regions in the image domain. Unlike many existing clustering algorithms, the image segmentation system does not require the knowledge about the number of the color clusters to be generated at each stage and the resolution of the color regions can be controlled by one single parameter, the radius of a cluster. The color image segmentation system has been implemented and tested on a variety of color images including satellite images, car and face images. The experiment results are presented and the performance of each algorithm in the segmentation system is analyzed. The system has shown to be both effective and efficient.     

基于小波变换和KFCM的彩色图像分割

提出一种将小波变换和核模糊C均值聚类算法相结合的快速彩色图像分割算法。利用小波变换的多分辨率特性,在分辨率最大尺度上的LL子带进行均值漂移聚类,快速获得初始粗分割结果,在其基础上进行模糊核聚类分割,将上一层的结果用于下一层的初始化,重复至最低分辨率后用最小分类器对原始图像进行最终分割。实验结果证明,该算法分割速度快,对自然彩色图像的分割结果优于模糊C均值算法和均值漂移算法。     

显著特征融合的主颜色聚类分割算法*

针对颜色密度聚类分割模型容易产生误分割的问题,提出基于视觉显著性调节的主颜色聚类分割算法.首先,根据空间颜色信息和Mean-shift算法平滑结果分别计算图像的全局显著特征和区域显著特征,并融合2类显著特征作为特征空间聚类的约束项.然后,采用核密度估计方法计算图像主颜色作为初始类,并将显著特征作为调节因子进行聚类分割.最后,进行区域合并.在标准的分割图像库上进行实验并与多种算法对比,结果表明,文中算法具有更高的区域轮廓准确度,并且有效利用图像显著特征,降低密度聚类形成的区域不一致性,提高像素聚类的精度和分割的鲁棒性.     

自适应快速FCM彩色图像分割研究

模糊C均值聚类算法（FCM）广泛用于彩色图像分割,但该算法存在需要预先指定聚类数目、计算量大、耗时长且易陷入局部最优等缺点。提出一种自适应快速模糊C均值彩色图像分割方法,该方法首先运用蚁群算法,自动获取初始聚类中心和聚类数目,然后使用基于梯度的分水岭算法对原始彩色图像进行预分割,得到一系列由色彩特征空间具有一致性的点构成的子集,最后对这些子集的中心进行模糊聚类。实验结果表明：由于子集数量远小于原始图像像素数目,使聚类样本数量显著减少,大大提高了聚类速度,同时在聚类中以特征距离代替欧式距离,增强了算法的鲁棒性。     

Color image segmentation based on multiobjective artificial bee colony optimization

This paper presents a new color image segmentation method based on a multiobjective optimization algorithm, named improved bee colony algorithm for multi-objective optimization (IBMO). Segmentation is posed as a clustering problem through grouping image features in this approach, which combines IBMO with seeded region growing (SRG). Since feature extraction has a crucial role for image segmentation, the presented method is firstly focused on this manner. The main features of an image: color, texture and gradient magnitudes are measured by using the local homogeneity, Gabor filter and color spaces. Then SRG utilizes the extracted feature vector to classify the pixels spatially. It starts running from centroid points called as seeds. IBMO determines the coordinates of the seed points and similarity difference of each region by optimizing a set of cluster validity indices simultaneously in order to improve the quality of segmentation. Finally, segmentation is completed by merging small and similar regions. The proposed method was applied on several natural images obtained from Berkeley segmentation database. The robustness of the proposed ideas was showed by comparison of hand-labeled and experimentally obtained segmentation results. Besides, it has been seen that the obtained segmentation results have better values than the ones obtained from fuzzy c-means which is one of the most popular methods used in image segmentation, non-dominated sorting genetic algorithm II which is a state-of-the-art algorithm, and non-dominated sorted PSO which is an adapted algorithm of PSO for multi-objective optimization.     

自适应烟花算法下多维模糊C均值彩色图像分割

针对图像分割在自然场景中,分割精度不高和细节保持不够敏感,提出一种自适应烟花算法下的多维模糊C均值彩色图像分割算法。结合动态时间弯曲思想,以邻域像素相似特点构造弯曲曲线,得到多维相似距离和新的目标函数。在自适应烟花寻优算法下,找到最优聚类中心,最终达到对图像分割效果。实验表明,该算法与同类算法相比,对彩色图像有良好的分割效果,对图像的细节保持也不错。     

基于QPSO算法的图像颜色分割*

目前不同种类的纹理区域组成的彩色图像分割还是一个难点。当一幅图像中包含相似的和（或）非固定的纹理区域时,难以计算出精确的纹理区域和分割区域的最优数目。描述了基于量子行为的微粒群优化算法（QPSO）的图像颜色分割方法,把图像分割问题看作一个最优化问题并且采用QPSO的进化策略聚类颜色特征空间中的区域。QPSO不仅参数个数少、随机性强,并且能覆盖所有解空间,保证算法的全局收敛。给出了三幅图像的分割效果,证明了QPSO算法在自动的和无监督的纹理分割上具有很好的效果。     

一种自适应彩色图像分割算法

目前对图像分割技术的改进一般是通过优化某种特定的算法来实现的,这样会把对彩色的分割能力拘泥在某个范围内,而文中专门针对彩色信息采用有自适应性的级联多种方法的聚类算法,在逐步的优化中,提高对彩色的分割能力,实现对彩色图像的更为清晰细致的分割。该方法在单纯的针对色彩信息时,取得了很好的实验测试效果。