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...     

融合加窗色调直方图的彩色图像FCM分割算法

针对传统FCM算法计算量大、对噪声敏感的缺点,提出了一种融合加窗色调直方图的快速FCM算法（MHFCM）。对彩色图像的色调直方图加窗得到背景色调,对去除背景信息后的有效信息进行FCM聚类分割。实验结果表明,MHFCM算法提高了图像的分割速度,并且克服了图像中背景噪声对分割效果的影响,使分割更加准确。     

基于改进的FCM算法提取彩色图像有意义区域

针对传统的FCM算法随机获取初始聚类中心与分类类别数的缺陷问题,提出了一种获取初始聚类中心与分类类别数的方法,并采用交叉熵测度准则进行FCM聚类,对彩色图像进行分割,提取有意义区域.实验结果表明,该方法不仅能够提高算法的聚类速度与算法的普适度,而且可以改善图像的聚类效果.与传统的FCM算法相比,该算法更易于实现彩色图像有意义区与背景的分离,分割效果令人满意.     

基于特征加权的自适应FCM彩色图像分割算法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容.基于模糊C均值聚类(FCM)的图像分割是应用较为广泛的方法之一,但其存在需预先给出初始聚类数目,且要考虑各个特征对分类的不同影响等问题.通过引入ReliefF技术进行特征加权,结合聚类有效性指数自适应确定初始聚类数目、根据Laws纹理测度提取图像特征等措施,提出了一种新的FCM彩色图像分割算法.实验结果表明,该算法可以有效地提高图像分割效果,分割结果优于现有FCM图像分割方案.     

基于视觉感知特性的彩色图像分割

图像分割是图像处理的主要问题,也是计算机视觉和模式识别领域中的重要组成部分。文章通过对人类视觉的生理结构的研究,在人类视觉无法辨别的范围内,将彩色图像的RGB亮度范围从原始的0～255缩减为0～26、28、26,既保持了图像的视觉特性,同时减少了表达图像的类的数目,从而能够准确高效的得到图像中各类颜色的极值点。通过这些不同颜色极值点的排列组合来得到初始聚类中心,这种聚类中心的选择考虑了各个图像自身的信息,能得到其精确的聚类中心,减少了图像分割后期迭代的次数,在一定范围内节约了运算时间。实验结果表明,和传统的直方图阈值方法相比,其分割结果的可调控性较强,而且分割效果也较好。     

基于分水岭变换和FCM的图像分割

针对分水岭变换算法对噪声敏感和易于产生过分割的问题,提出了一种基于分水岭变换和模糊C均值聚类(FCM)的图像分割算法。该算法不仅解决了分水岭变换算法的过分割问题,而且同时解决了FCM算法初始值难以确定的不足。实验结果显示,该算法可以快速准确地分割出目标,是一种有效的方法。     

一种快速的模糊C均值聚类彩色图像分割方法

FCM用于彩色图像分割存在聚类数目需要事先确定、计算速度慢的问题,为此,提出一种快速的模糊C均值聚类方法（FFCM）。首先,对原始彩色图像进行基于梯度图的分水岭变换,从而把原始彩色图像数据分成一些具有色彩一致性的子集;然后,利用这些子集的大小和中心点进行模糊聚类。由于FFCM聚类样本数量显著减小,因此可以大幅提高模糊C均值聚类算法的计算速度,进而可以采用聚类有效性指标确定聚类数目。实验表明,这种方法不需要事先确定聚类数目,在聚类有效性能不变的前提下,可以使模糊聚类的速度得到明显提高,实现了彩色图像的快速分割。     

基于直方图相关性约束的快速多阈值FCM图像分割算法

针对传统的模糊C均值(FCM)聚类算法在样本数和特征数较多时,运算较为复杂以及耗时较多的问题,本文提出了一种采用直方图的相关性作为约束采样率的快速多阈值FCM分割方法,控制图像失真,使得需要运算的数据量减少,以获得较快的分割速度.由于借助了基于模糊集的图像分割技术--模糊C均值算法实现多阈值图像分割,考虑到了每个像素对...     

一种自适应无监督彩色图像分割方法

提出一种在模式识别、计算机视觉,尤其是彩色图像分割上有不同应用的自适应无监督方法.该方法自适应聚类Lab空间中视为三维数据的图像像素.主要包括三个步骤,首先,应用直方图和FCM技术自适应初始化聚类中心,然后进行初始分割,最后,考虑到颜色相似性和空间连通性对初始分割结果进行合并.本文算法已成功应用到Berkeley图像库,我们进行了大量的实验检验所提算法的性能.实验结果表明,与当前一些分割算法,比如:Mean-Shift、NCuts、FH和CIM相比,本文方法能够产生合理的或者更好的划分,这证明了本文方法的实用价值.     

彩色图像分割的FCM初始化方法

针对传统模糊C-均值聚类方法所存在的过度依赖初始聚类中心、计算复杂度高等问题,提出一种新的FCM初始化方法.首先,使用维纳滤波分别对图像的R、G、B分量进行预处理,待转换为LAB色彩空间后,通过二次分水岭方法获取图像的封闭区域,并计算各区域的质心;其次,利用自适应无监督的方法对质心进行筛选和合并,将合并结果作为FCM的初始聚类中心;最后,使用FCM方法进行分割.实验结果表明,该方法不仅能够获得较准确的聚类中心,减少了迭代次数和运算时间,而且能够更好地实现图像的准确分割.     

蚁群模糊聚类的图像分割

蚁群算法的离散性、并行性、鲁棒性、正反馈性特点,非常适合于图像分割.但基本蚁群算法中蚂蚁运动的随机性使得算法进化速度慢且易于陷入局部最小等缺陷.提出了一种基于改进的蚁群模糊聚类的图像分割方法,给出了多种信息素的更新方式.针对算法循环次数多,计算量大的问题,综合考虑图像中像素的灰度,邻域平均灰度,梯度等特征来设置初始聚类中心进行蚁群模糊聚类.实验结果表明,该方法在图像分割中的确能够得到较好的分割结果.     

一种适用于PCB检测的彩色图像分割算法

针对光学检测印刷电路板(PCB)需要进行图像分割的问题,提出一种结合K-均值聚类算法的分水岭算法,用于PCB彩色图像分割。即首先将PCB彩色图像聚类,分成不同的颜色区域,按照不同区域进行分水岭分割,最后,将分割线透明地加在原始图像上,完成分割。实验表明,该算法可以分割PCB彩色图像,并且分割效果好。     

基于马氏距离的FCM图像分割算法

基于模糊C均值聚类的图像分割是应用较为广泛的方法之一,但大多数模糊C均值聚类方法都是基于欧式距离,且存在运算时间过长等问题。提出了一种基于Mahalanobis距离的模糊C均值聚类图像分割算法。实验分析表明,提出的算法在保证分割质量的前提下,能较快提高分割速度。实验结果表明了该方法的有效性。     

混合智能算法在彩色图像分割中的应用研究

对颜色空间做了全面地介绍,对当前传统的彩色图像分割技术进行了较为系统的论述,通过比较发现传统的单一分割算法在彩色图像分割中都不可避免地存在一定的不足与缺陷.而以神经网络、遗传算法和蚁群算法等智能算法进行图像分割时,由于从不同侧面反映了人类视觉感知的智能性、并行性,取得了较好的效果,推动了图像分割向智能化方向发展,但其在理论和实践上都没有达到让人满意的程度.因此,可以根据实际情况组合不同的算法,分层次地分割图像,寻找符合人类视觉感知特性的有效的彩色图像分割混合智能算法,从而弥补单一算法对彩色图像分割的不足.     

基于梯度算子的蚁群图像分割算法研究

提出了一种基于梯度算子的改进蚁群图像分割算法,解决了用传统分割方法很难将目标与背景灰度值相似图像分割的难题.该算法基于经典的梯度算子图像分割,从聚类的角度出发,综合像素的灰度、梯度特征进行特征分割.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法,通过设置不同的蚁群、聚类中心、启发式引导函数和信息激素来解决蚁群算法循环次数多,计算量大的模糊聚类问题.实验证明,该改进蚁群算法可以快速准确的分割出背景和目标灰度值极其相似图片的目标图像,是一种有效的图像分割方法.     

基于蚁群和带空间约束FCM的荔枝图像分割算法

准确地提取荔枝果实的完整轮廓对采摘机器人自动识别与采摘至关重要。以蚁群和模糊C均值（FCM）聚类为理论基础,选用符合荔枝颜色特性的L*a*b*颜色空间,提出一种基于蚁群和带空间约束FCM的荔枝图像分割算法。该算法利用L*a*b*颜色空间的a*通道正轴代表红色和负轴代表绿颜色进行初始分割,然后利用蚁群聚类算法全局性和鲁棒性的优点确定FCM的聚类中心,用引入空间约束的FCM完整地分割出荔枝果实。实验结果表明此方法实现了荔枝图像完整地分割,并且满足了采摘机器人后续的荔枝识别与采摘,对成熟荔枝分割的正确率达到了87%。     

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。     

基于分水岭和改进的模糊聚类图像分割*

针对模糊C-均值聚类算法需预先给出初始聚类中心、未考虑邻城信息、计算复杂度高等缺点,提出了一种基于分水岭和改进的模糊聚类图像分割方法.该方法首先利用分水岭分割方法对原图像进行预分割,然后利用粒子群的全局寻优能力从预分割的小区域中搜索出较为准确的初始聚类中心;最后,在对小区域进行模糊聚类时,建立了包含邻域信息的聚类目标函...     

融合模糊Histon阈值和FCM的Lab空间色彩分割算法

提出了一种简单有效的自适应无监督方法。在CIELab空间中利用模糊Histon阈值技术获得图像中所有可能的均匀区域,即通过寻找峰值,区域初始分割和区域颜色相似性合并,获得由聚类中心标注的均匀区域,提出自适应FCM聚类算法以提高均匀区域之间的紧密度,最终完成色彩分割。该算法已成功应用到伯克利图像库,相比当前一些无监督色彩分割算法,例如：Mean-Shift、NCuts取得了合理更好的划分,视觉上有效提取目标物体,具有一定鲁棒性。