彩色扫描地图的自动分色算法研究及实现

对彩色扫描地图图像的色彩误差进行了分析,运用特征向量匹配法对地图上黑版要素进行分层,然后对地图的色彩空间进行转换,并提出了基于二维直方图模糊约束的模糊C－均值（FCM）聚类方法,较好地解决了地图的自动分色问题。该方法已编程实现,效果比较理想。     

彩色地图分色算法及其实现

研究一种新的彩色地图图像分色算法,该算法首先将彩色图像通过非线性变换,转换到孟塞尔颜色空间,再进行色彩学习。算法的特点是利用了图像的空间相关信息,可使分色结果得到局部优化,取得较为理想的效果,且降低了运算量。     

彩色地图分色算法研究现状

对已有彩色地图分色方法进行了综述.把彩色地图分色方法细分成颜色空间的选择和具体的分割方法两个方面,并从上述两个方面进行了总结.具体分割算法包括基于直方图的阈值化方法,基于特征空间的聚类、基于模糊的方法、基于神经网络的方法、基于熵的方法、基于遗传算法的方法、基于随机场模型的统计学方法以及其它一些方法.颜色空间模型包括RGB颜色空间、CIELab空间、HVC空间、HLS颜色空间等.     

基于核的模糊聚类算法

在聚类分析中,模糊c-均值算法是应用最广泛的聚类算法之一,针对该算法对初始化敏感,容易陷入局部极小点的缺点,论文提出了一种基于核的模糊聚类算法。在算法中将核方法与模糊可能性算法相结合,将模糊c-均值算法结果作为初始中心,放松了对隶属度归一化的条件,对噪声有更好的处理能力。IRIS数据和人造数据的实验结果表明该算法的有效性。     

遥感图像的半监督的改进FCM算法

对模糊C均值算法进行了改进，采用更适合遥感图像的Mahalanobis距离代替欧氏距离，并在聚类中加入了先验信息。在聚类过程中，未标签的样本通过与已标签的样本进行相似性比较来提高算法的准确性。实验表明，改进的算法能有效提高算法准确度。     

基于改进C均值聚类的自适应图像分色算法

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来描述一幅真彩色图像,使得到的图像与原图像尽可能的接近。该文提出了一种基于改进C均值聚类的自适应图像分色算法。该算法首先随机产生一张颜色表,然后根据该颜色表对原图像的像素点进行聚类分析,产生初始分色图像。再根据C均值聚类的方法对初始聚类中心进行调整,生成新的分色图像,直到满足结束条件后结束算法。实验结果表明,该算法在大大减少原图像的颜色数量的同时基本保持分色图像的质量,是一种实用的分色方法。     

基于分色和一种新的去噪算法的地图自动输入技术

介绍一种利用图象处理方法对彩色地图进行识别,从而自动建立地图数据库的方法。首先用分色法对地图中的道路进行识别和抽取,再利用一种新的去噪算法进行去噪,然后进行城市识别和矢量化,得到地图数据库。最后给出了实验结果。     

用于地图图像分色的像素边缘梯度算法

该文在分析地图图像特点的基础上,提出了一种适于地图分色的像素边缘梯度算法,其思想是将像素梯度的概念延伸到像素边缘的梯度。进而,利用数学形态学的变换原理,探讨了对分色结果进行后处理以及细化的具体过程。棕版图的实验结果证明,用此算法提取线状信息定位精度高,连续性好,处理速度快,并可以很好地解决粘连及背景噪声等问题,细化后的结果能够满足需要。     

模糊c-均值算法和万有引力算法求解模糊聚类问题

针对单纯使用模糊c-均值算法(FCM)求解模糊聚类问题的不足,首先,提出一种改进的万有引力搜索算法,通过一定概率按照不同方式对速度进行更新,有效增大了种群的搜索域.其次,提出了模糊万有引力搜索算法(FG-SA).最后,在模糊万有引力搜索算法(FGSA)和模糊c-均值算法(FCM)的基础上,提出了一种新算法(FGSAFCM)来求解模糊聚类问题,有效避免了单纯使用模糊c-均值算法时对初始值敏感且易于陷入局部最优的缺点.采用目标函数和有效性评价函数作为评价标准,选取10个经典数据集作为测试数据,实验结果表明,新算法比单一的模糊c-均值算法有更高的准确性和鲁棒性.     

基于改进蝙蝠算法优化的FCM聚类算法

针对传统模糊C-均值(Fuzzy C-Means,FCM)聚类算法隐含假设各个样本和各维属性对聚类结果作用相同,导致算法聚类性能降低,以及对初始中心点敏感且易陷入局部最优的问题,提出一种基于改进蝙蝠算法优化的FCM聚类算法.该算法首先采用混沌映射和速度权重来改进蝙蝠算法,然后利用改进蝙蝠算法确定FCM算法的初始聚类中心...     

空间关系信息和颜色信息相结合的地形图分层算法

在对地形图图象颜色进行误差分析的基础上,指出目前在地形图分层算法设计中,由于仅考虑地形图色彩信息而存在许多不足,因此提出了地形图像素空间关系信息的概念,并讨论了像素空间关系信息的提取方法,进而给出一个将地形图像素的空间关系信息与颜色信息相结合,以实现彩色地形图分层的新算法．实验表明,此算法可有效地抑制地形图图象的颜色误差和提高分层的精度,从而为地形图的分层识别及自动矢量化奠定了良好的基础．     

基于人眼视觉特性的彩色图象分割方法

提出一种基于人眼视觉特性的彩色图象分割方法,不但考虑图象在各颜色坐标系下的分类,而且考虑图象色彩的相似度情况下图象的分类,实验证明,该方法能够避免过分割现象,更能被人眼的视觉感官所接受。     

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...     

图像分割的快速模糊c均值聚类算法

提出了一种快速有效的图像模糊c-均值(FCM)聚类分割方法。该方法一方面通过特征映射减少数据量,另一方面通过调整算法的计算步骤以减少迭代过程的存储量,从而大大缩短图像分割的运行时间。应用于图像分割的实验结果表明新算法在保持原有FCM分割效果的同时大大缩短了CPU时间。     

基于混合聚类算法的图像分割

本文将像素空间中的图像分割问题转化为特征空间中的数据聚类问题处理,并设计了一种基于遗传算法和模糊c均值算法的混合聚类算法,实现图像分割。实验表明,使用该算法能取得较好的图像分割效果。     

基于形态学重建改进的FCM算法

传统的FCM(fuzzy c-means)算法可以准确的分割多数无噪声图像,但对噪声图像非常敏感.针对于此类问题,提出了一种基于形态学重建的改进FCM算法.首先利用形态学闭合重建算子对含噪图像进行光滑化.然后利用基于邻域信息的改进FCM算法对合成图像及医学图像进行分割处理,最终得出了更加精确的分割结果.通过与其它两类算...     

Optimal-selection-based suppressed fuzzy c-means clustering algorithm with self-tuning non local spatial information for image segmentation

Suppressed fuzzy c-means clustering algorithm (S-FCM) is one of the most effective fuzzy clustering algorithms. Even if S-FCM has some advantages, some problems exist. First, it is unreasonable to compulsively modify the membership degree values for all the data points in each iteration step of S-FCM. Furthermore, duo to only utilizing the spatial information derived from the pixel’s neighborhood window to guide the process of image segmentation, S-FCM cannot obtain satisfactory segmentation results on images heavily corrupted by noise. This paper proposes an optimal-selection-based suppressed fuzzy c-means clustering algorithm with self-tuning non local spatial information for image segmentation to solve the above drawbacks of S-FCM. Firstly, an optimal-selection-based suppressed strategy is presented to modify the membership degree values for data points. In detail, during each iteration step, all the data points are ranked based on their biggest membership degree values, and then the membership degree values of the top r ranked data points are modified while the membership degree values of the other data points are not changed. In this paper, the parameter r is determined by the golden section method. Secondly, a novel gray level histogram is constructed by using the self-tuning non local spatial information for each pixel, and then fuzzy c-means clustering algorithm with the optimal-selection-based suppressed strategy is executed on this histogram. The self-tuning non local spatial information of a pixel is derived from the pixels with a similar neighborhood configuration to the given pixel and can preserve more information of the image than the spatial information derived from the pixel’s neighborhood window. This method is applied to Berkeley and other real images heavily contaminated by noise. The image segmentation experiments demonstrate the superiority of the proposed method over other fuzzy algorithms.