基于核函数距离测度的加权模糊C均值聚类与Markov空域约束的快速鲁棒图像分割

由于模糊C均值聚类算法（FCM）存在两大缺陷：（1）对于非球形的数据聚类形式鲁棒性不够;（2）只考虑图像中的数值特征信息,而忽略了像素间的空间约束关系,因此FCM算法在对含有噪声的图像进行分割时缺乏足够的鲁棒性。针对以上问题,本文提出了一种结合Markov空域约束与基于核函数距离测度的加权模糊c均值聚类的快速鲁棒图像分割方法。为克服缺点（1）,我们使用基于核函数的距离测度取代FCM中的欧氏距离,并使用加权模糊聚类的方式保证了计算的简洁性。与此同时,我们用Markov随机场描述图像的空域约束信息,并且通过数据融合的方法将模糊分割结果与空域约束信息结合在一起,从而得到既包含像素数值特征又包括空域约束信息的图像分割场。这样既克服了传统模糊C均值聚类算法的缺点,又最大限度地保证了分割算法计算的简单有效性。     

湿地遥感图像分割算法设计及实现

提出了一种结合熵和模糊C均值的聚类分割方法。模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感,基于二维直方图的模糊C均值聚类算法除了考虑像素点的灰度信息外还考虑了像素点邻域的空间信息,可有效地抑制噪声;在目标函数中引入熵项则能更好地抑制噪声和外围点对类中心估计的影响。实验分析结果表明,算法对湿地遥感图像的分割效果优于FCM算法。     

基于各向异性滤波和空间FCM的MRI图像分割方法

针对具复杂目标和边界模糊的MRI图像中多感兴趣区域的分割中分割MRI图像软组织难的问题, 提出了一种基于各向异性滤波和空间模糊C-均值聚类(SFCM)的MRI图像分割方法; 用新型各向异性滤波对图像进行预处理, 解决去噪平滑的同时弱化图像细节的问题; 用邻域空间信息设计空间函数, 改进传统FCM的目标函数; 用图像的空间信息实现图像各目标准确分类、有效解决孤立区域的正确归类问题, 进而使分割区域完整; 用直方图拟合曲线初始化分类数和初始聚类中心, 加快算法迭代到最优解, 进而减少运行时间。通过实验证实了各向异性滤波和空间FCM的MRI图像分割方法的综合应用显著提高了分割灰度重叠、目标不连续和目标边界模糊的MRI图像的分割效果。     

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。     

基于改进模糊C均值聚类的光伏面板红外图像分割

红外图像具有对比度低和信噪比低等特点,这对红外光伏面板图像的分割始终是一个巨大的挑战.为了解决传统的模糊C均值（FCM）聚类算法易受到初始聚类中心不确定的影响和不考虑空间信息的问题,提出了一种基于模糊C均值改进的聚类分割算法,该算法利用直方图的特点确定初始聚类中心,同时在传统的模糊C均值（FCM）和模糊核C均值算法（KFCM）的基础上,利用像素之间的空间信息和邻域像素之间的关系改进传统FCM聚类目标函数,从而推导出新的目标函数.实验结果表明,该算法在分割质量和效果上与Otsu算法、文献[20]的自适应k-means算法及模糊核C均值算法（KFCM）相比,过分割和错分割率明显降低,且分割效果非常接近手动分割图.     

基于顶帽变换和模糊C均值聚类的图像分割方法

为了准确地对背景亮度不均匀的图像进行分割,提出了一种综合运用形态学中的顶帽变换和模糊C均值（FCM）聚类的图像分割方法。FCM聚类算法已成功地应用于图像分割,但对于具有不均匀亮度背景的灰度图像,则无法进行准确有效地分割。根据提出的方法,对于具有亮度不均匀背景的灰度图像,首先利用顶帽变换对图像进行处理,以消除亮度不均匀的背景,然后再利用FCM聚类算法对图像进行分割。实验结果表明,该方法可以准确地对背景亮度不均匀的图像进行分割,是一种有效的图像分割方法。     

马尔可夫随机场约束下的PCM图像分割算法

与模糊c均值（FCM）算法相比较,可能性C均值（PCM）聚类算法具有更好的抗干扰能力。但PCM聚类算法对初始化条件很敏感,在聚类的过程中很容易导致聚类结果一致性,并且没有考虑到像素的空间信息,用在图像分割尤其是多目标图像分割上效果极不稳定。在PCM算法的基础上,利用Markov随机场中的邻域关系属性,引入先验空间约束信息,建立包含灰度信息与空间信息的新聚类目标函数,提出马尔可夫随机场与PCM聚类算法相融合的图像分割新算法（MP．CM算法）。实验结果表明,在多目标图像分割上利用MPCM算法可以取得比PCM更好的分割效果。     

模糊C均值聚类与硬聚类的性能比较及改进

本文以灰度值的图像分割为基础,对模糊C均值聚类算法(Fuzzy C-means,FCM)[1]和硬聚类进行了详尽的讨论,在此基础上对两者进行了比较,包括两者的迭代速度比较和两者的分割效果比较,聚类中心的初始化对迭代速度和分割效果的影响,并以此为基础对FCM聚类算法进行了改进。实验表明,改进的FCM聚类算法在迭代速度和分割效果方面都明显优于原始的FCM聚类算法。     

基于模糊C均值聚类的医学图像分割研究

模糊C均值聚类算法（FCM）在硬C均值聚类的基础上有效地解决了医学图像分割中存在的模糊情况,通过建立表示图像中像素点与聚类中心加权相似度的目标函数,采用迭代优化的方法求解目标函数的极小值来确定最佳聚类。针对FCM算法中存在的对大样本数据分割速度慢、结果易受初始值影响、对噪声敏感、难以适应多种数据分布等缺陷,涌现出了大量的改进算法。对其中的部分改进算法进行综述,主要介绍快速FCM算法、基于初始值选取的FCM算法、基于空间邻域信息的FCM算法以及基于核函数的FCM算法等,并对其优缺点进行概要的总结和介绍。指出该算法进一步的研究方向。     

基于小波分解和模糊聚类的图像分割方法

传统的FCM图像聚类法由于需要大量先验知识和聚类速度的原因,大大限制其在图像分割领域的应用.提出一种基于小波分解和模糊聚类相结合的图像分割算法,首先对图像进行小波变换,对于L空间得到的灰度图像利用小波多尺度分解的性质得到特征图像,利用此特征图像的一维灰度信息采用模糊C均值聚类(FCM)算法,并自动确定FCM算法聚类数和聚类中心从而完成聚类的无监督化,实现对经小波分解后的特征图像的高效快速分割.     

基于核与局部信息的多维度模糊聚类图像分割算法

在以聚类分析为背景的图像分割算法中,引入局部信息是为了在保留图像细节的同时尽可能地减少噪声.在模糊C均值算法基础上,提出了一种基于核与局部信息的多维度模糊聚类分析方法来权衡图像中的噪声和细节.该算法引入2个基于局部信息的图像变体,即平滑和锐化处理后的图像,使之与原始图像一起构成多维度的灰度值向量来替换原始单维的灰度值; 再利用核方法提高其鲁棒性; 最后添加一个邻域隶属度差异惩罚项很好地修正和增强了最终的分割效果.在人工合成图片的去噪实验中,所提方法取得了近99%的分割正确率,优于Nystrom归一化分割(NNcut)和基于模糊局部信息C均值(FLICM)算法;同时在自然图片和医学图片的对比实验以及参数调控实验中,展现出了其在处理图像噪声和细节时灵活、稳定、健壮且易于调控的特点.     

利用空间信息的核模糊C均值聚类算法

模糊聚类,特别是模糊C均值聚类算法（FCM）广泛地运用到图像的分割中。但是传统的算法未对数据对特征进行优化,亦未考虑图像的空间信息,对噪声图像分割不理想。在FCM目标函数中引入核函数,用内核引导距离代替传统的欧式距离,同时考虑到邻近象素的影响,增加了空间约束项,提出了利用空间信息的核FCM算法。通过对模拟图和仿真脑部MR图像的分割实验证明,该算法可以有效的分割含有噪声图像。     

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。     

抑制式模糊C均值聚类惩罚因子的改进

针对传统模糊C均值（FCM）算法在聚类过程中存在收敛速度慢、对大数据处理实时性不强等问题,提出了一种基于惩罚因子的样本隶属度改进算法。首先分析抑制式模糊C均值（SFCM）聚类特点,研究惩罚因子对样本隶属度修正的触发条件,进而设计出基于惩罚因子的SFCM聚类隶属度动态修正算法。通过算法实现样本向“两极移动”,达到快速收敛之目的。理论分析与实验结果表明,在相同的初始化条件下,改进算法的执行时间效率比传统FCM算法提高约40%,比基于优化选择的SFCM（OS-SFCM）算法提高10%,其聚类准确度与其他两种算法相比也有一定的提高。     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.     

基于微粒群优化的模糊C-均值聚类彩色图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题。为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心。由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度。实验表明,这种方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割。     

基于空间信息的可能性模糊C均值聚类遥感图像分割

可能性模糊C均值(PFCM)聚类算法作为模糊C均值(FCM)聚类算法的一种改进算法,能在一定程度上克服FCM算法对噪声的敏感性;但由于PFCM没有考虑像元间的空间信息,对含有较大噪声的图像分割效果依然不理想。为此,提出一种新的基于空间信息的PFCM算法(SPFCM),克服了PFCM算法对含有较大噪声的图像分割效果不佳的缺点。通过对人工图像和IKONOS遥感图像进行分析,结果表明,SPFCM算法无论是在视觉上还是在分割正确率上都优于传统的FCM算法、PFCM算法及两种加入空间信息的FCM算法;对于含有高斯噪声和盐椒噪声的图像,平均分割正确率高达99.71%,是一种去噪效果较好的图像分割算法。     

基于互信息与类距离测度最优的图像聚类

模糊C均值算法用于图像聚类时,仅考虑图像的灰度信息,忽略灰度的空间分布,未充分利用分割前后图像间的关系。从分割后图像的类距离出发,并利用聚类分割前后图像间的互信息,以基于对称分布多样性的粒子群算法为优化技术,构造了一种新的图像分割方法——基于互信息和类距离测度最优的图像聚类算法。对医学图像进行仿真,实验结果表明该算法得到的图像边界清晰连续,图像的内部特征保持完好,与多种聚类算法相比,图像分割的质量明显得到提高。