基于小波变换和kd树聚类的快速纹理分割算法

提出了一种基于小波变换和k均值聚类的快速纹理图像分割算法。该方法包括特征提取、特征平滑、纹理分割三个阶段。其中,特征提取在金字塔结构小波变换的基础上进行;特征平滑利用一种四分法来完成特征图像的噪声平滑和边缘保持;纹理分割则利用kd树作为数据结构来运行k均值聚类算法从而实现纹理图像的快速分割。实验结果表明与直接的k均值聚类算法相比,该方法在运行时间上得到了明显的提高。     

基于对偶树复小波变换的纹理特征提取及分割

对偶树复小波变换具有良好的方向选择性和平移不变性。该文在分析对偶树复小波分解后的6个高频子带所对应的模值子带直方图的基础上,提取一种新的纹理特征——Gamma分布参数与Lognormal分布参数的组合特征。基于该特征进行纹理图像分割,分割过程中使用了边缘保持平滑技术对特征进行平滑,并使用K均值聚类实现无监督分割。实验表明,文中所使用的特征提取方法新颖,分割结果的边缘准确性与区域一致性具有抗噪性,是一种有效的纹理分割方法。     

一种变换域纹理图像特征提取和分割方法

以对偶树复小波变换为基础,提出了一种提取纹理图像变换域统计特征,进而实现图像非监督分割的方法。该方法用Gamma分布和对数正态分布建模对偶树复小波系数的模值,将两种分布的参数综合起来作为像素特征,利用边缘保持的平滑技术（EPNSQ）进行特征平滑,最后使用K－均值聚类方法实现特征分类,得到图像的非监督分割结果。实验结果表明所提取的特征可以有效地表征不同的纹理,基于该特征得到了更为精确的图像分割结果。     

一种基于小波变换的无监督纹理分割算法

提出了一种基于小波变换和均值偏移的无监督纹理图像分割算法。首先用小波变换对图像进行二级小波分解,然后用均值偏移算法估计出粗尺度上对应的聚类数目,并结合模糊c均值算法进行聚类,在此基础上,用定义的阈值函数和Fisher判据确定出细尺度上每个初始聚类中心的一个同组,从而实现图像的由粗到细的分割。实验结果表明,在分割精度相差不大的情况下,该方法解决了传统聚类方法所存在的需要聚类数目和对初始聚类中心敏感问题。     

利用多进制小波变换和模糊c-均值聚类进行纹理分割

提出了一种基于多进制小波变换的多纹理特征提取方法,通过对小波系数的标准差作为纹理测度以生成特征向量,利用模糊c-均值聚类算法进行纹理分割,获得了较好的实验结果。     

一种基于纹理的图像分割方法

提出了一种基于多进制小波变换的纹理特征提取方法，通过对小波系数的标准差作为纹理测度以生成特征向量，利用模糊c-均值聚类算法进行纹理分割，获得了较好实验结果。     

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。     

基于小波包变换的模糊判决纹理分类

提出一种基于小波包变换的模糊判决纹理分类方法,采用图象的完全树结构小波变换提取多分辨率纹理特征,模糊判决分类器通过引入隶属度函数对待征模糊化,反映了各类纹理样本间存在的差异及随机噪声等畸变因素赞成的抽取特征值存在的不确定性,提高了纹理分类算法对噪声或畸变的鲁棒性,通过实验获得了较满意的结果。     

基于模糊C均值聚类的遥感图像分割方法

在遥感图像分割领域,模糊C均值聚类算法得到了广泛的应用。但存在计算量大、易受噪声干扰等缺点。针对以上缺点对快速模糊C均值聚类算法进行了改进。首先利用一维灰度直方图进行快速模糊C均值聚类降低计算量;然后在此基础上根据像素的邻域特性构造新的隶属度函数;最后根据新的隶属度函数对每个像素进行分类。实验结果表明,该算法能快速有效地分割图像,并具有较强的抗噪能力。     

结合空间信息的模糊C均值聚类图像分割算法

提出一种结合空间信息的模糊C均值聚类图像分割算法.该方法将图像的二维直方图引入传统的模糊C均值聚类算法,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属.实验结果表明,该方法能快速有效地分割图像,并且具有较强的抗噪能力.     

基于双树复小波的图像修复

小波变换技术已被广泛应用于图像修复领域,但其在图像修复过程中出现的边缘部分模糊或不连接的情况成为了一个难点。针对此问题,提出了基于双树复小波变换的图像修复算法。该算法使用双树复小波变换对破损图像进行多尺度和多方向的分解,对各个高频方向子带使用全变分(Total Variation,TV)模型进行快速修复,各个低频分量使用改进了的曲率驱动扩散(Curvature-Driven-Diffusions,CCD)模型进行迭代修复,最后通过小波逆变换得到最终的修复图像。实验结果表明,该方法很好地推广了双树复小波变换在图像修复领域中的应用,并且在图像纹理的修复以及在结构部分的填充都有较好的效果。     

核空间广义均衡模糊C-均值聚类算法

目的 针对现有广义均衡模糊C-均值聚类不收敛问题,提出一种改进广义均衡模糊聚类新算法,并将其推广至再生希尔伯特核空间以便提高该类算法的普适性。方法 在现有广义均衡模糊C-均值聚类目标函数的基础上,利用Schweizer T范数极限表达式的性质构造了新的广义均衡模糊C-均值聚类最优化目标函数,然后采用拉格朗日乘子法获取其迭代求解所对应的隶属度和聚类中心表达式,同时对其聚类中心迭代表达式进行修改并得到一类聚类性能显著改善的修正聚类算法;最后利用非线性函数将数据样本映射至高维特征空间获得核空间广义均衡模糊聚类算法。结果 对Iris标准文本数据聚类和灰度图像分割测试表明,提出的改进广义均衡模模糊聚类新算法及其修正算法具有良好的分类性能,核空间广义均衡模糊聚类算法对比现有融入类间距离的改进模糊C-均值聚类(FCS)算法和改进再生核空间的模糊局部C-均值聚类(KFLICM)算法能将图像分割的误分率降低10%30%。结论 本文算法克服了现有广义均衡模糊C-均值聚类算法的缺陷,同时改善了聚类性能,适合复杂数据聚类分析的需要。     

核空间中智模糊聚类及图像分割应用

目的 为了更有效地提高中智模糊C-均值聚类对非凸不规则数据的聚类性能和噪声污染图像的分割效果,提出了核空间中智模糊均值聚类算法。方法 引入核函数概念。利用满足Mercer条件的非线性问题,用非线性变换把低维空间线性不可分的输入模式空间映射到一个先行可分的高维特征空间进行中智模糊聚类分割。结果 通过对大量图像添加不同的加性和乘性噪声进行分割测试获得的核空间中智模糊聚类算法提高了现有算法的对含噪声聚类的鲁棒性和分类性能。峰值信噪比至少提高0.8 dB。结论 本文算法具有显著的分割效果和良好的鲁棒性,并适应于医学,遥感图像处理需要。     

一种快速的模糊局部C-均值聚类分割算法

针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。     

结合空间信息的FCM聚类噪声图像分割方法

标准模糊C均值聚类算法由于没有考虑任何与图像空间连续性有关的信息,对噪声高度敏感,针对这一问题,提出一种基于图像空间信息的FCM聚类分割算法。该算法将图像像素的空间信息引入到相似性度量和隶属度函数中,其中空间信息由像素的相对位置和邻域内像素的特征决定。实验结果证明,该方法能有效地对含有一定噪声的图像进行分割,具有较好的抗噪性能。     

A new wavelet-based fuzzy single and multi-channel image denoising

In this paper, we propose a new wavelet shrinkage algorithm based on fuzzy logic. In particular, intra-scale dependency within wavelet coefficients is modeled using a fuzzy feature. This feature space distinguishes between important coefficients, which belong to image discontinuity and noisy coefficients. We use this fuzzy feature for enhancing wavelet coefficients' information in the shrinkage step. Then a fuzzy membership function shrinks wavelet coefficients based on the fuzzy feature. In addition, we extend our noise reduction algorithm for multi-channel images. We use inter-relation between different channels as a fuzzy feature for improving the denoising performance compared to denoising each channel, separately. We examine our image denoising algorithm in the dual-tree discrete wavelet transform, which is the new shiftable and modified version of discrete wavelet transform. Extensive comparisons with the state-of-the-art image denoising algorithm indicate that our image denoising algorithm has a better performance in noise suppression and edge preservation.     

基于类间极大化的PCM聚类技术的图像分割方法

在图像分割的多种方法中,模糊C均值（FCM）聚类是最简单有效的。可能性C-均值算法（PCM）作为FCM的同类算法具有更佳的聚类性能和概率解释性,但无论是FCM还是PCM均受隶属度的约束影响使其对噪声点和野值点较为敏感。针对以上问题,提出了一种新的称之为类间极大化的PCM算法（MPCM）聚类算法。该算法考虑了对类间的惩罚,通过调控参数[λ],拉大类中心之间的距离,实现图像中像素点的最佳分类。给出了人工合成纹理图像、真实图像以及带有椒盐噪声的真实图像的实验,结果表明算法在图像分割效果上优于传统的聚类分析算法。     

基于模糊C 均值图像抗噪分割方法的研究

针对含有噪声且光线不均的医学图像,提出了一种基于模糊C 均值聚类的图像分 割算法。模糊C 均值聚类算法描述简洁、易于实现、分割效果好,在图像分割应用领域得到了 快速发展,但也存在着对噪声敏感的问题。考虑到提取的医学图像数据中必定包含噪声,因此 通过修改目标模糊函数J(u, v),在引入像素点邻域信息的基础上,对邻域信息加入了惩罚因子。 弥补了传统模糊C 均值聚类算法的不足,使该方法对含有噪声的医学图像更加有效。实验分析 表明了算法的有效性和实用性。