区域GMM聚类的SAR图像分割

高斯混合模型(GMM)聚类算法近年来广泛应用于图像分割领域。但在SAR图像分割中,由于忽略了图像像素间的空间相关性,使其对相干斑噪声十分敏感。提出一种基于区域的GMM聚类算法,它将空间相关性引入聚类分类中,利用分水岭分割得到基本同质区域,计算区域的灰度均值作为GMM聚类算法的输入样本,将聚类特征从像素水平提升到区域水平,减少了噪声对分割结果的影响;并将自身反馈机制引入期望最大化(EM)算法中,进一步提高了GMM模型参数估计的精度。还对合成图像和真实SAR图像进行了分割实验,结果表明新算法可有效地提高分割的     

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。     

非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

基于矫正变量的聚类噪声图像分割算法

传统聚类图像分割算法在对含有噪声的图片进行分割时图片中的噪声往往引起较大的偏差。针对含有一定噪声的图片提出一种算法,分别在传统模糊聚类算法中的距离公式和隶属度值公式中增加修正量的方法,以减少噪声对聚类结果的影响。实验结果证明该方法对一些噪声图片具有抗噪性能。     

基于蚁群优化的直觉模糊聚类脑MR图像分割

针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像.该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割.实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于FCM及相关改进算法具有更高的分割精度和分割效率.     

基于密度聚类的医学图像分割DCMIS*

为了克服聚类算法对灰度不均匀和有噪声的医学图像分割存在鲁棒性较差等缺点,提出一种基于核密度估计的密度聚类方法分割医学图像.在分析DENCLUE密度聚类算法的思想及爬山策略存在的三个问题的基础上,改进了此密度聚类的爬山策略,并设计了适合于人体组织器官图像分割的DCMIS(Density Clustering based Medical Image Segmentation)算法.该算法先用核密度估计数学模型描述医学图像,然后用改进的爬山算法识别聚类,最后根据聚类分割医学图像.该算法有容忍大量噪声数据等特性.实验结果中的欠分割率、过分割率和错误分割率表明DCMIS比DENCLUE和FCM算法有更好的性能和较好的医学图像分割效能.     

基于多目标规划的模糊C均值聚类算法

模糊C均值聚类算法(FCM)是一种非常经典的非监督聚类技术,已被广泛地应用到医学图像分割。由于传统的FCM聚类算法在分割图像时仅利用了图像的灰度信息,未利用图像的空间信息,在分割叠加了噪声的磁共振(MR)图像时分割效果不理想。考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,引入多目标规划的概念,提出了一种新的,更加合理的应用图像空间信息的聚类算法。实验结果表明,应用该算法可以有效地分割含有噪声的图像。     

结合类内和类间距离的可能聚类分割算法

目的 为了进一步提高噪声图像分割的抗噪性和准确性,提出一种结合类内距离和类间距离的改进可能聚类算法并将其应用于图像分割。方法 该算法避免了传统可能性聚类分割算法中仅仅考虑以样本点到聚类中心的距离作为算法的测度,将类内距离与类间距离相结合作为算法的新测度,即考虑了类内紧密程度又考虑了类间离散程度,以便对不同的聚类结构有较强的稳定性和更好的抗噪能力,并且将直方图融入可能模糊聚类分割算法中提出快速可能模糊聚类分割算法,使其对各种较复杂图像的分割具有即时性。结果 通过人工合成图像和实际遥感图像分割测试结果表明,本文改进可能聚类算法是有效的,其分割轮廓清晰,分类准确且噪声较小,其误分率相比其他算法至少降低了2个百分点,同时能获得更满意的分割效果。结论 针对模糊C-均值聚类分割算法和可能性聚类分割算法对于背景和目标颜色相近的图像分类不准确的缺陷,将类内距离与类间距离相结合作为算法的测度有效的解决了图像分割归类问题,并且结合直方图提出快速可能模糊聚类分割算法使其对于大篇幅复杂图像也具有适用性。     

基于聚类和改进型水平集的图像分割算法

针对医学图像中通常伴有噪声、多目标的问题,传统水平集无法将图像中的多目标完全分割出来,提出了基于抑制式模糊聚类算法的改进型双水平集模型。首先,利用聚类算法对医学图像进行预分割降噪,通过标准化互信息准则(NMI)判断聚类是否达到满意效果,进而改良聚类算法,再由增加惩罚项的改进型双水平集进行二次分割。实验结果表明,该方法能够降低图像的噪声和算法的敏感性,水平集无需重新初始化,大大减少了计算量和迭代次数,该模型能将伴有噪声的多目标医学图像完全分割出来,获得了预期的分割效果。     

P-tile与直方图模糊C-均值聚类相结合的路面图像阈值分割

路面图像裂缝自动检测技术是公路养护技术的重要方向,路面图像的分割是路面图像处理的关键步骤。由于噪声等干扰因素的影响,使得利用传统的模糊C_均值聚类（F（M） 算法进行路面图像分割得不到满意的结果。本文采用Ptile算法和直方图模糊C-均值聚类算法对路面图像进行分割,一方面克服了传统FCM运算量大、计算速度慢的缺点,另一 一方面减少分割算法分析的范围,增强了分割的效果。实验证明,本文算法能较好地分割出路面图像的裂缝。     

一种改进的Dijkstra算法的分析及程序实现

Dijkstra算法是求有向图中从某一源点到其余各点最短路径的算法。本文通过对传统的Dijkstra算法进行分析,提出一种改进算法,经理论分析,对于顶点数较多而边数较少的有向稀疏图来说,在求最短路径时能够大大提高算法的运行效率。     

等值线图的彩色填充方法

文中提出了一种实现等值线彩色填充的新方法，该方法不需要进行等值线的追踪，只需要经过网格化的数据，并且填充算法的计算量不随着绘图区域的扩大而增长，程序实现比较容易，数值计算量小。文中给出了具体的算法，同时也展示了利用该算法得到的图形的实例。     

一种高效的图像插值算法

介绍了一种基于像素点的颜色绝对误差的图像插值算法。该算法将高阶算法与低阶算法相结合,以接近低阶算法的运算开销,获得了高阶算法的插值质量。     

DTW算法的研究和改进

对语音识别中的DTW算法进行了研究,提出了一种改进算法,并用实验数据进行了验证。此算法在识别度下降可接受的范围内,有效地减少了识别的时间。     

基于事件调度的Petri网仿真算法设计

介绍了Petri网的基本概念和定步长时间推进仿真算法,在此基础上提出了事件调度的仿真算法,并以一个制造系统的Petri网模型为例进行了说明,通过分析两种算法的仿真结果,验证了调度法仿真效率高于定步长仿真法。     

基于改进蚁群算法作业车间调度问题仿真研究

蚁群算法是一种仿真蚂蚁群体智能行为的仿生优化算法,具有良好的正反馈、鲁棒性、群体性和并行件等特点.针对基本蚁群算法易陷入局部收敛这一缺点,为提高精确高度,提出了一种改进蚁群算法,采用了新的状态转移规则,当算法陷入局部收敛时调整信息素更新策略,并根据陷入局部收敛的程度动态调整信息素挥发系数和信息素强度,使算法能快速跳出局部收敛得到全局最优解;仿真结果验证了改进蚁群算法求解作业车间调度问题的有效性.     

板材最优切割算法的设计与实现

板材的最优切割算法是一种穷举搜索寻求最优解的算法。该算法用回溯法将原本复杂的问题转换成几个子问题,并找出递归结束条件。用递归的程序设计方法求出所有的切割方案,记录下最优的切割方案。论文以印刷电路板的最优切割为例,详述了最优切割算法的设计与实现。     

基于信息素智能更新的蚁群双序列比对算法

序列比对算法是生物信息学中重要的研究方向之一。提出了一种基于信息素智能更新的蚁群双序列比队算法,该算法利用历史最优信息来更新信息素,避免出现早熟现象,加速算法的后期收敛。实验表明该方法是有效性和可行的。     

求凸多边形直径的改进算法

求凸多边形直径是计算几何中的一个基本问题,在Preparata-Shamos算法的基础上,提出了采用动态规划和二分查找的算法,不需要对凸多边形进行预处理,使整个算法的时间复杂度降低到O(n)级别。对算法实现的理论分析结果进行了验证,实验结果表明算法具有较高效率。     

Apriori算法的一种优化方法

介绍关联规则挖掘中的经典算法――Apriori算法的关键思想。针对传统Apriori算法效率上的不足,提出一种改进的Apriori算法――En-Apriori算法。该算法采用矩阵的方法,只须扫描一遍数据库,同时优化了连接操作,较好地提高了算法的效率。实验结果表明,En-Apriori算法优于Apriori算法,具有较好的实用性。