FPCM算法在彩色图像分割中的方法研究

在改进模糊c均值聚类（MFCM）算法基础上提出模糊可能性c均值聚类（FPCM）算法的图像分割方法,并将FPCM算法应用在彩色图像分割过程中．FPCM算法是FCM聚类算法和MFCM算法的扩羼衍生．MFCM算法是通过调整FCM算法的测量距离来减少标签像素受到其他图像像素的影响和在切分中抑制噪声效果来进行约束,从而使得成员变量没有最大约束值．FPCM算法是在MFCM算法基础上进行模糊化,加入了可能性和隶属度两个度量标准．通过彩色图像实验充分表明了FPCM算法在图像分割中的实际效果．     

Weka平台上距离指数自动寻优的模糊C-均值聚类算法

针对距离计算对模糊C.均值聚类(Fuzzy C-Means,FCM)中心比较敏感的问题,文中提出了一种改进的模糊C.均值聚类算法(Minkowski Fuzzy C-Means,MFCM).MFCM算法采用距离指数可自动寻优的闵可夫斯基距离代替欧氏距离来计算样本集的相似度,以提高数据集的聚类准确率,减小平方误差总和.实验结果表明,Glass数据集、Balance-scale数据集和Vehicle数据集的聚类准确率分别由原来的42.52％、55.84％和45.86％提升到51.87％、62.56％和45.98％.此外,文章在开源数据挖掘Weka平台上实现了FCM和MFCM算法,弥补了Weka平台上集成少量聚类算法的不足.     

基于Fuzzy c-means算法聚类有效性函数的纹理分割

Fuzzy c-means(FCM)算法用于图像分割是一种非监督模糊聚类后再标定的过程．本文利用聚类有效性函数对Fuzzy c-means算法的聚类结果进行评价,从而获得最优的聚类结果,较好地解决了Fuzzy c-means算法的一些不足,如聚类数目无法自动确定、其聚类结果是否最优．最后,利用纹理图像分割实验验证了该算法的有效性．     

基于K均值算法的数据聚类和图像分割研究

K均值算法利用K个聚类的均值作为聚类中心,通过对比样本到各聚类中心的距离,将样本划分到距离最近的聚类中,从而实现样本的聚类.分析了K均值算法的基本原理和实现步骤,并将其应用于数据聚类和图像分割,取得了较好的聚类效果.最后,针对K均值算法的不足之处,提出了改进措施,提高了K均值算法的聚类性能.     

基于二维直方图的改进的PCM聚类分割方法

相对于模糊C均值算法,可能性C均值(PCM)聚类方法具有更好的抗干扰能力.提出一种基于二维直方图的改进的PCM聚类图像分割方法,该方法除了考虑图像的点灰度信息外,还考虑像素点的邻域相关信息,利用改进的PCM聚类算法得到各象素点的隶属度对图像进行分割.实验表明,该方法能够对噪声图像有效地进行分割,具有较高的鲁棒性.     

用于图像分割的非局部空间约束的核FCM算法

图像分割是图像分析、图像理解的前提和关键,其结果直接决定着图像分析和理解的质量.模糊C均值(Fuzzy C-Means,FCM)聚类算法是一种常用的图像分割算法.然而,由于经典的FCM算法只考虑像素自身,从而对外围噪声比较敏感.因此,提出了一种改进的用于图像分割的FCM聚类算法.该算法通过利用核方法修改FCA-NLASC算法中的目标函数而实现,即用核距离替代FCA-NLASC中的欧氏距离,相应地得到核FCA-NLASC聚类算法——KNLASC-FCM聚类算法.利用提出的算法分别进行人工合成图像和实际图像的实验结果表明,当图像含有噪声时,与算法FCA-NLASC相比,KNLASC-FCM算法在主观视觉、客观量化两方面的评价中均具有更好的分割性能.     

基于减法聚类和K均值聚类的彩色图像分割算法

传统图像分割方法大都存在分割速度低下、过度分割等缺点.针对上述问题,提出一种新的彩色图像区域分割算法.这种方法首先将图像转化至L*a*b*空间,并划分为子块,抽取图像子块的颜色、纹理和位置特征组成子块的特征向量,然后运用减法聚类,获得聚类簇数和初始蔟中心,最后利用改进的K均值算法在像素点特征空间进行聚类,进而分割图像成区域.实验结果表明这种新方法具有分割效率高、分割效果理想等优点.     

一种改进的模糊核聚类图像分割算法

模糊核聚类算法已广泛应用于图像分割领域,然而该算法对初始值的选取、噪声以及图像灰度不均匀比较敏感.针对该问题,提出了一种改进的模糊核聚类图像分割算法.将改进的最大类间方差法(Otsu)引入模糊核聚类算法中,结合图像的概率信息和空间信息,得到了一种高效、实用的图像分割方法.实验结果表明,改进算法具有较强的抗噪能力,较高的分割精度,可以用于工程实际.     

一种改进的模糊核聚类图像分割算法(修改重投)

模糊核聚类算法已广泛应用于图像分割领域,然而该算法对初始值的选取、噪声以及图像灰度不均匀比较敏感。针对该问题,提出了一种改进的模糊核聚类图像分割算法。将改进的最大类间方差法（Otsu）引入模糊核聚类算法中,结合图像的概率信息和空间信息,得到了一种高效、实用的图像分割方法。实验结果表明,改进算法具有较强的抗噪能力,较高的分割精度,可以用于工程实际。     

基于质心的样本加权聚类算法

针对传统的以k-means为代表的分割聚类算法认为所有的聚类样本对聚类中心的影响都是相同的这一观点,提出基于样本加权的聚类算法,并采用实际数据集验证算法的有效性.实验表明,该算法比传统的k-means聚类算法具有更高的精确度.     

一种改进的Fuzzy c—means聚类算法

该文提出了一种改进的ｆｕｚｚｙ ｃ－ｍｅａｎｓ算法（ＭＦＣＭ）。此算法是将传统算法（ＦＣＭ）直接对样本集聚类变为对特征集聚类，从而极大提高了ｆｕｚｚｙ ｃ－ｍｅａｎｓ的速度，证明了ＭＣＭ与ＦＭＣ在分类效果上的等价性，且ＭＦＣＭ较ＦＣＭ有较低的时间复杂性，讨论了ＭＦＣＭ与ＦＭＣ空间复杂性的关系。最后数值实验证实了结论。     

基于向量模糊模式识别的纹理图像分割方法

提出了一种基于同步自回归（ＳＡＲ） 模型和模糊信息原理进行纹理分割的方法．利用二阶ＳＡＲ模型对图像纹理进行描述,用最小平方误差方法对模型参数进行估计,将估计的参数作为纹理的特征向量．根据模糊信息原理,分析了纹理图像的模糊特性,给出了一种基于向量模糊集合簇模糊模式识别的纹理分割方法．实验结果表明,用所提出的方法进行图像纹理分割取得了较好的分割效果．     

基于对应分析的冗余模糊C均值聚类算法研究

针对模糊C均值聚类（FCM）算法聚类原型最适合于球状类型簇的特点,提出了基于类间分离度和类内紧缩度加权的冗余聚类中心的FCM算法,即先将大簇或者延伸形状的簇（非凸）采用加权FCM算法分割成多个小类（冗余类）,从而规避FCM算法对初始聚类中心敏感的弱点．由于隶属度划分矩阵的元素是每个样本隶属于各冗余类的隶属度值,因此将其作为各冗余类的类特征,通过对应分析得到冗余类的新特征,再次采用加权FCM算法进行冗余类合并,最后达到分类效果．以代表曲线分割和曲面分割分类问题的3个典型数据集为算例,结果表明该方法能够识别不规则的簇,解决了FCM算法对初始聚类中心敏感的缺陷．     

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.     

基于不完全树结构小波变换及FKCN 的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取，提出了一种与人类视觉过程相一致的多分辨率多通道纹理分析方法，它由(1)特征提取：使用不完全树结构小没变换抽取纹理特征；(2)基于模糊Kohonen聚类网络的特征粗分类：使用缩减的特征向量对网络进行训练，得到粗分割结果；(3)粗分割结果的细化等几部分构成。实验结果证明了本方法的有效性。     

基于多阶段的模糊C-均值算法的模糊聚类分析研究

对模糊聚类分析算法进行研究,在模糊Ｃ－ 均值算法（ＦＣＭ）的基础上加以改进,将聚类过程分为二个阶段,形成多阶段模糊Ｃ－ 均值算法（ＭＦＣＭ）,使其对Ｉｒｉｓ数据聚类．研究表明：多阶段的模糊Ｃ－ 均值算法比模糊Ｃ－ 均值算法性能优越．     

一种基于分水岭变换和模糊C均值聚类的彩色图像分割算法

针对分水岭算法对在图像分割中容易产生过分割,提出了一种基于分水岭变换和模糊C均值(FCM)聚类算法的彩色图像分割算法。该算法先对图像进行分水岭分割,再对分水岭产生的过分割进行聚类合并。在合并过程中采用区间差异度和区域面积来确定模糊C均值聚类个数。该算法的优点是解决了分水岭变换算法的过分割问题的同时解决了模糊C均值聚类算法的初始值以及聚类中心难以确定的问题。实验结果表明,该算法可以准确地分割出目标并应用到自动分割系统中。     

小波变换在图像分割中的应用研究

在讨论基于小波变换的阈值分割算法的同时,提出了Canny算子和小波变换的边缘信息融合的图像分割方法,以及利用小波变换对图像纹理进行分解、特征提取,然后利用模糊C-均值聚类(FCM)进行纹理分割的方法;探讨了各种分割方法的特点、应用范围、及图像分割技术的发展方向.     

一种基于模糊C均值聚类的图像区域分割方法

提出一种基于模糊C均值聚类的彩色图像区域分割方法。该方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征;然后,利用模糊C均值聚类方法进行聚类,利用提出的确定最佳聚类簇数的方法,确定聚类簇数、中心等参数;根据每个像素的隶属函度,将像素初步划归不同的组,利用连接原理对图像区域进一步分割,并提供了图像描述特征。实验结果表明,该方法分割效果很好。