多通道Gabor特征的融合聚类图像纹理分割

针对图像纹理分割,提出了采用图像Gabor多通道特征进行融合聚类方法.首先采用Gabor小波对图像进行卷积滤波,得到每个像素点的多尺度多方向的Gabor特征,然后对其进行标准化以及Gauss平滑,减少噪声影响.对每个优化后的Gabor特征作为训练值,采用融合聚类算法每次随机选择部分特征进行聚类,通过运行多次基聚类,然后对聚类结果采用投票的方式得到最终的图像纹理分割,通过人工合成纹理与自然纹理图像实验证明该方法对纹理的分类具有较高的正确率.     

多特征融合的超像素谱聚类MRI脑肿瘤图像分割

为了有效地提高MRI脑肿瘤图像的分割精度,更好地辅助医生诊断病情,提出了一种多特征融合的超像素谱聚类MRI脑肿瘤图像分割方法。首先通过简单线性迭代聚类分割的超像素替代像素点来构建加权无向图,并且融合多种图像特征构建相似度计算函数,同时采用自适应的方式计算高斯核的尺度参数,根据相似度函数计算相似度矩阵进而求得拉普拉斯矩阵,然后对此拉普拉斯矩阵的特征向量进行K-means聚类来完成对图像的分割。在BraTS 2015数据集上与其他2种谱聚类图像分割方法进行了对比实验,并采用相似性系数(Dice)、相对体积误差(RVD)和灵敏度(Sensitivity)这3个指标对分割结果进行评价。结果表明,本文方法在这3个指标上均优于对比方法。因此本文提出的多特征融合的MRI脑肿瘤图像分割方法能够更高效、更精确地完成MRI图像的分割。     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

基于Relieft特征加权的C均值聚类算法的研究和改进

图像分割是图像处理到图像分析的最关键步骤.首先,研究C均值的聚类算法并阐述与其相关的概念,分析该聚类方法的基本原理和聚类准则.然后,针对该算法的优缺点以及存在的不足之处,对C均值聚类算法进行改进,将Relieft技术引进,由于图像分割时涉及众多特征,改进算法的核心就在于特征提取时进行加权处理,最终设计出有效的、鲁棒性好的彩色图像分割的流程.最后,通过大量的实验,将改进前后的C均值图像分割算法的分割结果进行比较,改进后的聚类算法能够实现更加优秀的图像分割结果;通过将实验对象置于不同的环境下的实验数据的统计,可以验证改进后分割算法的鲁棒性更好.     

结合多特征赋权的谱聚类水下多目标分割技术

由于声呐图像受噪声污染严重，导致水下多目标分割存在精度低的问题.为此，提出一种自调整谱聚类结合熵权法进行多特征赋权的水下多目标分割技术.该技术首先通过自调整谱聚类对声呐图像的像素点进行聚类处理，使图像划分为多个独立的区域，然后根据多特征的互补性和冗余性统计每个区域的信息熵、亮度、对比度和狭长度等特征，利用熵权法对多特征进行赋权并筛选出最优的一个目标区域，再将该最优目标区域和所有区域进行多特征相似度匹配，最后根据相似度的匹配结果使用自适应阈值迭代法自动分割出所有的目标区域.实验结果表明没有对噪声干扰区域误分割，分割出的目标区域精度更高，验证了所提方法的有效性.     

基于谱聚类的医学图像分割方法

针对传统单一算法在医学图像分割中对像素点分布敏感的问题,提出一种基于谱聚类的多阶段图像分割方法—谱极限学习机。算法首先使用一种基于kmeans的谱聚类对图像进行预处理,以过滤一部分噪声点,而后用ELM极限学习机对处理后的图像进行分割。实验结果表明,对于脑部MRI图像,这种多阶段的分割方法较传统的单独使用谱聚类或ELM的分割方法能更清晰地将脑部的灰质和白质分割开来。     

一种改进的彩色图像分割方法

介绍了一种融合多尺度形态学、蚁群聚类、模糊C-均值(FCM)聚类的新的彩色图像分割方法.该算法首先利用多尺度形态学提取图像边缘,再利用蚁群聚类算法的全局搜索性和鲁棒性的优点并结合边缘信息,确定聚类中心和聚类个数,将其作为FCM聚类的初始聚类中心和聚类个数,克服了FCM算法自身并不能确定聚类中心需要人为设定的缺陷.实验结果表明,该算法可以准确地分割出目标,是一种有效的图像分割方法.     

基于仿射传播聚类选择的多Atlas右心室精准分割

由于右心室具有易变、壁薄、边界不明显等特点，Atlas成为近年来流行的图像分割方法.针对现存的Atlas选择方法大多基于配准后选择最优的Atlas，比较耗时并且降低了分割性能，提出了利用仿射传播聚类算法进行Atlas选择的方法.首先，将所有的Atlas图像看作一系列数据点，通过数据点之间的消息传递聚类；然后，得到的聚类中心图像和目标图像经过配准得到形变标记结果，采用STAPLE融合策略融合；最后，对融合结果以相似性测度因子为依据进行排序，而用相似性测度因子值最大的聚类中心进行配准分割.重复以上过程，直到得到较精确的分割结果.实验结果表明，提出的方法能有效地进行右心室的分割，与传统选择方法相比，分割精度得到了明显提高.     

融合结构特征的增强型FCM图像分割算法

为了使基于模糊C均值(FCM)聚类的图像分割算法对复杂图像更具适用性,将图像结构特征融合到增强型FCM算法.首先,对原始图像进行均值滤波,将滤波结果与原始图像进行线性叠加形成新的输入图像.其次,采用二维Gabor滤波函数提取新的输入图像的纹理结构特征,以此代替灰度特征来衡量节点间的相似性.最后,采用一种改进的节点间距离度量公式来计算图像中节点与聚类中心点的差异.仿真结果表明,对结构复杂的图像所提算法获得了更加精确的分割结果.     

基于D-S证据理论的模糊聚类图像融合分割

针对模糊聚类图像分割算法的固有缺点,提出了一种基于D-S证据理论的模糊聚类图像融合分割算法。对图像的点灰度特征和块灰度特征分别进行模糊C均值聚类,并将各自的模糊隶属度转化为单一或复合假设及其基本概率赋值,再利用D-S证据理论进行融合分割。实验结果表明该算法的分割效果优于传统的模糊聚类分割算法。     

基于快速谱聚类的图像分割算法

设计了一种基于快速谱聚类的图像分割算法,该算法利用余弦相似度构造相似度矩阵,避免了传统谱聚类算法中尺度因子的精确设置问题,提高了算法效率.在谱映射的过程中,该算法采用了Nystrm逼近策略,降低了谱聚类算法的复杂度和内存消耗.在Berkeley图像库上的图像分割实验证明了算法的有效性.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

基于轮廓波变换的模糊聚类图像分割

提出基于轮廓波变换的模糊聚类图像分割算法,从变换域的角度提高传统聚类算法的抗噪声能力.首先用轮廓波变换对含噪声图像消嗓,然后再进行聚类图像分割.实验结果表明:新算法能够获得较好的图像分割效果和质量.     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割； 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割; 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

基于小波和模糊理论的纹理分割方法

提出了一种基于小波和模糊理论的纹理分割方法,该方法首先对图象进行高阶小波分解,得到一系列分辨率不同的子图象;然后采用模糊聚类方法从最低分辨率图象进行聚类,将低一级的分割结果扩展后再应用于较高级分辨率,一直到最高分辨率为止,这样就得到一个原始图象的初始分割;最后引入空间约束算法,得到原始图象的粗细分割结果．由于考虑了图象象素之间的相互关系,故提高了分割的准确性．仿真结果表明该方法是比较有效的．     

基于K-means算法分割遥感图像的阈值确定方法研究

当前遥感图像分割中阈值确定方法忽略了前景和背景内在的联系,导致过分割和轮廓模糊,造成整体性能低下。为此,提出一种新型基于K-means算法分割遥感图像的阈值确定方法,通过K-means算法对遥感图像进行分割,利用最大类间方差方法得到分割遥感图像的初始阈值,依据该阈值将遥感图像划分成两类,求出两类的均值,将其作为K-means聚类算法的两个初始聚类中心,通过K-means聚类方法逐次迭代,不断更新聚类中心,直至得到聚类准则函数,从而求出遥感图像的最佳分割阈值。实验结果表明,采用所提方法确定遥感图像分割中的阈值,不仅效率高,而且整体性能优越;将得到的阈值应用于遥感图像分割中,能够使目标和背景被有效分离,且分离后目标部分轮廓比较清晰。     

基于均值漂移的舌体分割算法

本文针对舌体图像的特点,提出了一种基于均值漂移的舌体图像分割算法。该算法首先对输入图像进行平滑,可有效消除舌苔裂纹和色块噪声对舌体分割的干扰,然后根据空域和值域的邻近性原则进行聚类,根据聚类结果对舌体图像进行分割。实验结果表明,对不同的舌体图像进行分割,分割结果符合中医医师的诊断要求,对有噪声的图像,该方法也可较好地实现舌体分割。