结合随机游走与FCM的脑图像分割方法

随机游走算法只考虑相邻像素灰度相似性,忽略了邻域像素梯度信息,抑制了random walker沿着某些与种子点灰度相近的边向种子点前进,从而导致错分与漏分。提出一种脑图像分割方法,先对原图进行小波变换,提取图像梯度信息,将梯度信息融入边的权重。最后使用改进的FCM算法,结合像素邻域信息,进行最终脑图像分割。实验表明,本方法分割的脑组织图像正确率高,图像空洞与斑点明显减少,图像边缘更加平整。     

改进的快速模糊聚类图像分割算法

模糊C均值(FCM)聚类算法用于图像分割具有简单直观、易于实现的特点,但是存在计算量大、运算速度慢、抗噪能力差等问题,为解决上述问题提出了一种改进的快速FCM算法(FFCM),方法将空间信息融入到标准FCM算法中,将图像从像素空间映射到其厌度直方图特征空间,实现了快速聚类,然后在快速聚类的基础上,充分利用像素的邻域特性,依据最大隶属度原则,划分图像像素的类别归属,对隶属度函数做一定改进.实验结果表明,既能快速有效地分割图像,又具有较好地抗噪能力.     

双层随机游走半监督聚类

半监督聚类旨在根据用户给出的必连和不连约束,把所有数据点划分到不同的簇中,从而获得更准确、更加符合用户要求的聚类结果.目前的半监督聚类算法大多数通过修改已有的聚类算法或者结合度规学习,使聚类结果与点对约束尽可能地保持一致,却很少考虑点对约束对周围无约束数据的显式影响程度.提出一种由在顶点上的低层随机游走和在组件上的高层随机游走两部分构成的双层随机游走半监督聚类算法,其中,低层随机游走主要负责计算选出的约束顶点对其他顶点的影响范围和影响程度,称为组件;高层随机游走则进一步将各个点对约束以自适应的强度在组件上进行约束传播,把它们在每个顶点上的影响综合在一个簇指示矩阵中.UCI数据集和大型真实数据集上的实验结果表明,双层随机游走半监督聚类算法比其他半监督聚类算法更准确,也比较高效.     

结合空间信息的模糊C均值聚类图像分割算法

提出一种结合空间信息的模糊C均值聚类图像分割算法.该方法将图像的二维直方图引入传统的模糊C均值聚类算法,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属.实验结果表明,该方法能快速有效地分割图像,并且具有较强的抗噪能力.     

基于随机游走的医学超声图像分割

医学超声图像不可避免地存在斑点噪声、弱边界等问题,很难达到满意的分割效果。随机游走算法对噪声具有鲁棒性,对弱边界有良好的提取能力。将此算法应用于医学超声图像分割,通过融合区域信息与用户指定的种子点信息,借助于电路模拟以及组合Dirichlet问题,可以得到每个非种子点到标记了目标点或者背景点的概率,并对其赋予概率中最大的种子点所对应的标记,从而实现图像的分割。实验结果表明,该方法对医学超声图像的分割是有效的。此算法通过求解稀疏的、对称的、正定的线性方程的系统来获得Dirichlet问题的解,使计算速度大为提高。     

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。     

路面图像分割算法研究

本文先介绍了最大类间方差阈值分割算法和基于模糊c均值聚类的图像分割算法,然后针对以上算法存在的问题提出了一种基于直方图信息的遗传聚类图像分割算法．并最终通过实例将其成功地应用于路面图像分割处理,实验结果表明,该算法具有较高的分割速度和良好的抑制噪声的能力。     

基于模糊聚类的图像分割方法

本文分析了模糊聚类在图像分割领域的应用,介绍了模糊集和聚类分析的作用,最后引出了模糊C均值聚类图像分割算法。     

医学图像分割中的模糊聚类算法及其新进展

图像分割是医学图像处理中的重要环节,是医学图像分析、理解、描述和三维重构等的前提。而由于医学图像本身的模糊性,造成不同个体组织之间难以找到清晰的边界,模糊理论为解决这个问题提供新途径,使得模糊聚类算法成为一种有效的图像分割方法。在此对模糊聚类算法特别是模糊C-均值算法及其新进展进行综述和讨论。     

改进的PCM聚类算法在图像分割中的应用

可能性C均值聚类算法（PCM）对于噪声显示了良好的鲁棒性,但是它没有考虑到像素的空间信息,在含有大量噪声的情况下,PCM算法的分割性能会大大降低。基于PCM算法,提出了一种改进的PCM算法,该算法改进了隶属度函数,新的像素点隶属度更新为其邻域隶属度的几何均值。实验结果显示新的算法能够更有效的分割图像,并显示出良好的抗噪能力。     

基于模糊C均值与Markov随机场的图像分割

针对传统模糊C-均值(FCM)图像分割算法没有考虑图像空间连续性的缺点,提出一种改进的空间约束FCM分割算法。该算法引入了Markov随机场理论中类别标记的伪似然度近似策略,将像素特征域相似性同空间域相邻性有机地结合起来,给出了新的像素样本聚类目标函数。实验证明,该算法能大大提高分割性能并改善分割的视觉效果。     

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。     

基于改进犹豫模糊C-均值的图像分割

犹豫模糊C-均值(hesitant fuzzy C-means, HFCM)聚类算法在一定程度上处理了图像中不同像素块之间的不确定性, 但由于其目标函数中不包含任何局部空间信息, 因此对噪声比较敏感, 当噪声较大时无法获得较好的分割精度. 针对上述问题, 提出了一种改进犹豫模糊C-均值(improved hesitant fuzzy C-means, IHFCM)的图像分割方法. 首先给出了犹豫模糊元(hesitant fuzzy element)的补齐方法, 然后提出了犹豫模糊元之间的相似性度量, 利用犹豫模糊元之间的相似性度量构造了新颖的模糊因子融合到HFCM的目标函数中, 新的模糊因子不仅考虑了局部窗口中的空间信息而且考虑了像素间的相似性, 平衡噪声带来的影响且保留了图像细节. 最后, 在合成图像、BSDS500数据集图像以及自然图像上的分割实验结果表明, 所提出的IHFCM算法对噪声有良好的鲁棒性, 提升了分割精度.     

基于FCM和离散正则化的多目标图像分割

针对机器视觉中的多目标图像分割问题,提出一种适用于多目标物体的图像分割算法.首先对图像进行图像增强预处理;然后采用基于直方图的模糊C均值聚类算法完成分类任务,实现图像的初分割,将分类后的像素作为种子集;最后利用离散正则化的半监督方法得到自动修正分类结果.实验结果表明,与已有的多目标分割算法相比,该算法分割结果更加精确.     

基于NBS颜色距离及半监督聚类的织物图像分割

为提高纺织CAD技术,对织物图像的分割进行了研究。依据半监督聚类理论,提出了一种基于HLC颜色空间的以NBS颜色距离为优化准则的半监督聚类的织物图像分割算法。算法利用有限的人工信息,即在织物图像上点击有限的几个点以标识相应区域之间的关系,从而得到满足用户给定限制的织物图像分割结果。算法首先对织物图像进行量化转换处理,而后在HLC色彩空间中集成先验的分割信息进行色彩聚类。实验结果表明,该算法在织物图像分割中是一种可行的方法。     

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。     

基于马尔科夫随机场的改进FCM图像分割算法

针对模糊聚类算法邻域信息与空间信息利用率低,易受噪声影响的问题,提出一种结合马尔科夫随机场模型的改进模糊C均值算法（Fuzzy C-Means,FCM）,即FKMFCM算法。在FCMKM算法基础上添加马尔科夫随机场先验概率,利用先验概率改进FCM算法的目标函数,提高FCM算法抗噪性。为验证FKMFCM算法的性能,选取Bezdek划分系数、Xie_Beni系数、运行时间、迭代次数4个评测指标作为对比实验的评价标准。实验结果表明,FKMFCM算法能有效地提高模糊聚类算法的抗噪性。     

哈希图半监督学习方法及其在图像分割中的应用

图半监督学习(Graph based semi-supervised learning, GSL)方法需要花费大量时间构造一个近邻图, 速度比较慢. 本文提出了一种哈希图半监督学习(Hash graph based semi-supervised learning, HGSL)方法, 该方法通过局部敏感的哈希函数进行近邻搜索, 可以有效降低图半监督学习方法所需的构图时间. 图像分割实验表明, 该方法一方面可以达到更好的分割效果, 使分割准确率提高0.47%左右; 另一方面可以大幅度减小分割时间, 以一幅大小为300像素×800像素的图像为例, 分割时间可减少为图半监督学习所需时间的28.5%左右.     

稳健模糊C-均值聚类算法在图像分割中的应用研究

模糊C-均值聚类是模式识别中的重要算法之一,很早就被应用到图像分割中。由于原始的模糊C-均值聚类算法没有考虑图像的空间信息,算法对图像中的噪音点十分敏感。针对这个问题,很多稳健模糊C-均值聚类算法被提出。通常的做法是在原来模糊C-均值聚类的目标函数中加入空间信息惩罚项。本文讨论这类方法,具体分析不同算法的空间信息加入方式,并指出其优缺点。     

基于ELM的局部空间信息的模糊C均值聚类图像分割算法

极限学习机（Extreme learning machine, ELM）作为一种新技术具有在回归和分类中良好的泛化性能。局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means, WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力。基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM)。该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means,NKWFLICM)进行聚类。 实验结果表明 ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效, 同时克服了模糊聚类算法对模糊指数的敏感性问题。