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。     

结合[k]-means的自动FCM图像分割方法

针对图像分割中模糊C均值算法（FCM）无法自动确定聚类中心,不考虑像素邻域信息的问题,提出一种结合[k]-means的自动FCM图像分割方法。该方法先由图像的灰度直方图确定聚类数目,使用一种改进的快速FCM方法产生初始聚类中心。即通过一步[k]-means算法对大隶属度灰度更新模糊聚类中心,同时仅对小隶属度灰度使用快速FCM?方法进行隶属度更新,迭代后得到初始聚类中心。利用改进隶属度的FCM算法进行最终聚类。实验表明,该方法获取初始聚类中心接近最终值,加速图像分割,并对噪声具有一定的鲁棒性。     

不同噪声下超像素FCM图像分割算法优化

图像分割经典模糊C均值(FCM)算法需要较长的运行时间。为了提高图像的分割处理精度,利用超像素方法建立了FCM聚类快速分割图像算法。通过分水岭分割算法对其进行优化处理获得快速FCM(FFCM)算法,并进行了详细的试验分析。研究结果表明：相比较多尺度分水岭超像素(MGR-WT)、稳健边缘超像素(RE-SH)方法,FFCM表现出了更优的性能。设置噪声后,FFCM算法发生了分割效果下降的现象。对于高斯与椒盐噪声,采用FFCM算法表现出了优异的概率指数(PRI)、信息误差(VOI)和全局一致性误差(GCE)性能指标,具有更稳定的分割性能。该研究对提高图像分割效果具有很好的实际应用价值。     

基于形态学多尺度修正的模糊C均值脑肿瘤分割方法

针对脑部核磁共振成像(MRI)图像因噪声、灰度不均匀、组织结构复杂及边界模糊不连续等造成肿瘤难以准确分割的问题,提出一种基于形态学多尺度修正的模糊C均值(FCM)聚类分割方法。首先根据邻域统计信息引入控制参数用于区分邻域中的噪声点、边缘点和区域内部点,结合空间位置信息建立像素与结构元素大小之间的函数关系;然后利用不同大小的结构元素对图像中不同类型像素进行形态学闭运算,消除对应于局部极小值的噪声干扰和非规则细节,而目标部分的区域轮廓位置基本保持不变;最后在修正基础上进行FCM聚类分割,避免FCM陷入局部极优和误分类,同时保持区域轮廓准确定位。与标准FCM、核FCM(KFCM)、遗传FCM(GFCM)、模糊局部信息C均值(FLICM)等改进方法以及专家手工勾画结果进行了对比,实验结果表明,该方法的过分割率和欠分割率较低,且与标准分割的相似度指数和JS值均较高,具有较好的分割效果。     

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。     

改进的模糊C均值聚类的图像分割算法

传统FCM算法仅考虑了图像像素的灰度信息,因此在分割含噪图像时效果较差。为了克服传统FCM算法的局限性,提出一种基于空间邻域信息的二维模糊聚类算法,该算法利用图像像素灰度和邻域灰度组成的二维直方图中对角线元素受噪声影响较小,反映图像中相对稳定的信息,且运算只与图像的灰度级数目有关的特征,实现噪声图像的分割。实验结果表明,该算法在分割含噪图像时,不仅提高了传统FCM算法的分割效果,且分割速度明显加快。     

基于信息瓶颈算法的图像分割

图像分割是图像信息处理的内容之一。分割方法有很多,其中较为典型的是模糊C均值(FCM)算法,但它存在一些缺陷。该文提出一种基于信息瓶颈的图像分割方法,用凝聚的信息瓶颈算法对图像像素进行聚类。在分割过程中,使用贝叶斯信息准则确定图像区域的类别数。对一个包含500幅图像的图像库进行实验,结果表明该方法具有很好的分割效果。     

基于灰度空间特征的模糊C均值聚类图像分割

模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法没有考虑像素的灰度和空间特征,对噪声十分敏感.因此提出一种改进的算法,在传统的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计来构造新的隶属函数,对图像进行聚类分割.该方法不仅有效地抑制了噪声的干扰,而且把错分类的像素很容易的纠正过来.对两种类型的含噪图像的实验结果表明该方法对噪声具有很强的鲁棒性和对像素聚类的正确性.     

基于改进FCM聚类算法的维吾尔文字图像分割

研究维吾尔文字图像分割问题,针对传统的FCM聚类算法对维吾尔文字符图像分割时相邻域的信息未能考虑,故容易造成其对维吾尔文字符图像分割时的缺陷和干扰问题,为解决上述问题,提出了一种改进型FCM聚类算法的维吾尔文字符图像分割的方法。首先通过多尺度图像锥建立了其聚类算法,减少维吾尔文字符图像分割时的数据大小,进而一步降低了维吾尔文字符图像分割本身的计算量,然后通过空间信息的引入,使干扰噪声信息被屏蔽,从而提高维吾尔文字图像聚类分割的抗干扰能力。仿真结果表明,算法更容易提高维吾尔文字图像分割效果,准确分割出维吾尔文字区域,提高了识别精度,优于一般的FCM聚类算法。     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。     

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。     

基于混合邻域约束项的改进FCM算法

传统模糊聚类算法在影像分割过程中仅考虑影像的光谱信息,所以对噪声比较敏感.对此,提出基于混合邻域约束项的改进模糊C均值聚类(MNCFCM)算法.首先,从隶属性及光谱属性两方面定义邻域像素关于中心像素的相似度;然后,利用线性加权的方式将从两方面定义的相似度进行融合,同时结合邻域像素到聚类中心的欧氏距离构造混合邻域约束项,并将其引入目标函数中,以平衡影像分割过程中的影像平滑及细节保留,实现对影像的更优分割;最后,通过对合成影像及真实遥感影像分割结果的定性、定量评价,验证所提出算法具有较强的鲁棒性,在降低对噪声的敏感性的同时,能够较好地保留影像细节,获得高精度的分割结果.     

一种融合邻域信息的模糊C-均值图像分割算法

模糊C-均值算法（fuzzy C-means,FCM）对图像噪声敏感,只考虑了图像数值信息而忽略了邻域空间信息,造成最终的图像分割结果不精确。为了克服FCM存在的问题,将图像局部信息与非局部信息融入到多测度模型中,扩充了原本聚类的单一测度。另外将先验概率引入隶属度矩阵中,使得每次迭代前,隶属度矩阵中像素点的邻域信息都被充分考虑,最后添加一个邻域隶属度惩罚项修正聚类结果。实验证明:该算法对噪声鲁棒性强,能够获得较为理想的图像分割效果。     

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。     

利用邻域差异性信息的FCM改进算法

为了克服模糊C均值（FCM）无法处理图像噪声的缺点以及常用改进算法分割不足,提出了一种利用邻域差异性信息的FCM改进算法。利用高斯函数来合理刻画邻域间像素的空间位置和灰度差异特性,实现对中心像素隶属度的调整,达到分割噪声图像的目的。实验证明,该算法可以有效地处理高斯和椒盐噪声,在去除噪声的同时较完整地保留了图像的细节,其分割效果优于几种常用FCM改进算法。     

An automatic fuzzy c-means algorithm for image segmentation

Fuzzy c-means (FCM) algorithm is one of the most popular methods for image segmentation. However, the standard FCM algorithm must be estimated by expertise users to determine the cluster number. So, we propose an automatic fuzzy clustering algorithm (AFCM) for automatically grouping the pixels of an image into different homogeneous regions when the number of clusters is not known beforehand. In order to get better segmentation quality, this paper presents an algorithm based on AFCM algorithm, called automatic modified fuzzy c-means cluster segmentation algorithm (AMFCM). AMFCM algorithm incorporates spatial information into the membership function for clustering. The spatial function is the weighted summation of the membership function in the neighborhood of each pixel under consideration. Experimental results show that AMFCM algorithm not only can spontaneously estimate the appropriate number of clusters but also can get better segmentation quality.     

噪声不均条件下的模糊C均值聚类算法及应用

随着工业生产和工艺的进步,人们对产品的质量要求越来越高。为提高光缆表面瑕疵分割的效果,克服模糊C均值聚类算法对噪声敏感的不足,提出了一种新的模糊C均值聚类（FCM）的瑕疵图像分割方法。该方法一方面考虑样本的邻域像素信息,使FCM的隶属度函数中包含像素的邻域信息,另一个方面使用一种新的距离度量方式代替传统的欧式距离。利用以上两种方法来增加算法的鲁棒性,此外,通过直方图法给聚类中心赋初值,使分割效果稳定。最后,分别对CCD相机获取的光缆图像添加椒盐噪声和高斯白噪声,使用改进的FCM算法和传统的FCM算法、FCMM算法进行光缆表面瑕疵分割实验。图像和分割正确率的对比实验结果表明,使用改进的FCM算法能更好地克服噪声,精确地将瑕疵从图像上提取出来,瑕疵轮廓更为清晰,提高了光缆表面瑕疵检测的效果。     

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。     

基于有偏场的光栅图像模糊聚类分割算法

针对有偏场环境下带有光栅的散焦图像分割问题,提出了一种新的基于有偏场估计的模糊聚类分割算法。通过建立依赖于有偏场的模糊聚类目标函数,导出了基于灰度以及邻域灰度均值的聚类中心、模糊聚类函数以及有偏场估计的迭代算法;并在该算法生成的初始分割基础上,利用膨胀算子对分类结果进行细化。该方法较好地处理了传统模糊聚类对有偏场下光栅图像分割精度下降的问题。实验结果表明,基于有偏场的模糊聚类算法能有效分割光栅图像,其分割精度优于传统模糊聚类和阈值法。     

A fast and robust image segmentation using FCM with spatial information

Automated segmentation of images has been considered an important intermediate processing task to extract semantic meaning from pixels. In general, the fuzzy c-means approach (FCM) is highly effective for image segmentation. But for the conventional FCM image segmentation algorithm, cluster assignment is based solely on the distribution of pixel attributes in the feature space, and the spatial distribution of pixels in an image is not taken into consideration. In this paper, we present a novel FCM image segmentation scheme by utilizing local contextual information and the high inter-pixel correlation inherent. Firstly, a local spatial similarity measure model is established, and the initial clustering center and initial membership are determined adaptively based on local spatial similarity measure model. Secondly, the fuzzy membership function is modified according to the high inter-pixel correlation inherent. Finally, the image is segmented by using the modified FCM algorithm. Experimental results showed the proposed method achieves competitive segmentation results compared to other FCM-based methods, and is in general faster.