基于马尔可夫随机场和模糊C-均值聚类的DTI图像分割算法

传统的模糊C-均值聚类(FCM)算法只考虑了图像灰度信息,未考虑图像的邻域信息,抗噪性能不够理想.为了充分利用图像空间信息,提出一种结合马尔可夫随机场(MRF)的自适应加权FCM改进算法.该算法根据局部密度判断像素在其窗口邻域范围内的离散种类,将MRF空间约束场和隶属度场的权重根据像素离散种类进行自适应变化,在消除噪声影响的同时,尽可能保留弥散张量成像(DTI)的图像细节信息.实验结果表明:该算法可以准确分割DTI图像,得到边缘清晰且细节信息保留良好的分割结果,与FCM算法以及MRF和FCM融合算法相比,其分割系数至少提高了3%,分割熵至少降低了2%,分割聚类效果得到提高,且分割系数和分割熵都不易受噪声幅度的影响.     

一种改进的模糊C均值图像分割算法

针对传统的模糊C均值(FCM)图像分割算法效率较低和分割结果对噪声敏感等问题,提出了一种改进的模糊C均值图像分割算法,可以有效地根据图像灰度分布信息选取初始聚类中心,同时充分考虑了邻域像素对于聚类的影响.结果表明,该算法能够根据图像特征自动初始化合适数量的近似聚类中心,对噪声图像具有较好的分割效果.     

基于改进的FCM聚类算法的图像分割

本文从利用空间信息的角度进行了研究,从邻域距离约束的角度出发,提出一个新的聚类目标函数,得到基于邻域距离约束的FCM图像分割算法。将该算法用于人工图像和实际图像的分割实验,实验结果表明了该算法的有效性以及对噪声的鲁棒性。     

一种基于Markov随机场的FCM图像分割方法

针对传统的模糊c均值聚类(fuzzy c-means,FCM)图像分割算法只考虑各像素自身的灰度信息而忽略其空间位置关系、去噪能力较差且计算冗杂的问题,提出一种基于Markov随机场的FCM图像分割方法.该算法以FCM算法为基础,采用Markov随机场来描述图像中像素间的邻域关系,并对聚类目标函数进行改进.实验结果表明,该算法分割效果好,效率高,去噪能力强,实时性好.     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。     

改进的快速模糊C均值聚类的图像分割方法

传统的模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但该算法没有考虑像素的灰度和空间特征,对噪声和伪斑点图像不可能取得好的分割效果.提出一种改进的算法,在快速的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计构造新的隶属函数,对图像进行二次聚类分割.该算法具有以下优点:1)有效地抑制了噪声的干扰;2)减少了图像的伪斑点;3)把误分类的像素很容易地纠正过来.对两种类型图像的实验分割结果表明该方法对噪声和伪斑点具有很强的鲁棒性和对像素聚类的正确性.     

基于PSO和加权FCM的图像分割算法

结合PSO算法和加权FCM算法(WFCM)的优势,提出一种新的图像分割算法--基于PSO和加权FCM的图像分割算法(PWF).算法通过PSO进行全局寻优,克服了单纯FCM算法的对初始值敏感及对噪声数据敏感,容易陷入局部最优的缺点,能够找到全局最优的模糊划分,实现模糊聚类图像分割.实验利用了加权二维直方图的WFCM算法,考虑像素间的空间信息,改善了图像分割效果.     

一种改进的利用空间信息加权的FCM算法

FCM(fuzzy c-means clustering)算法在图像分割中应用较为广泛,但由于其对噪声较敏感,所以只适合于分割噪声含量较低的图像.利用空间信息加权的FCM算法能够有效地抑制噪声却使图像的边缘变得模糊,造成边缘处分割的不准确.本文通过区分图像边缘点和内部点,在构造邻域平均灰度图像时区别对待,并对边缘点根据它与邻域的灰度关系进行补偿.实验结果表明,这种方法不仅能够有效地抑制噪声,并使边缘点的分割更准确,使分割质量明显提高.     

基于空间邻域加权平均信息的二维FCM图像分割

基于空间邻域信息的二维FCM(2DFCM)算法通过计算像素的邻域平均,将像素的空间位置信息引入分割过程,克服了FCM算法的缺点。但2DFCM算法在计算空间邻域信息时,采用了均值思想,不能有效地体现邻域中其他像素对中心像素的影响程度。为此,本文提出了一种加权的空间邻域信息计算方法,采用模糊聚类的思想,计算邻域中其他像素对中心像素的影响权值,从而得到更加合理的空间邻域信息,进一步提高了FCM的分割性能。实验证明了该方法的有效性。     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值(FCM： Fuzzy C-Means)聚类算法应用于图像分割时, 因对噪声较敏感而达不到理想的分割效果。为此, 提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数, 提高对图像噪声的鲁棒性, 使分割的结果更加符合期望。实验结果表明, 该算法对噪声具有较强的抑制能力, 图像分割时能获得较好的分割效果。     

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.     

基于改进的模糊c均值聚类水凝胶图像分割

基于实验图像中目标与背景区域具有明显的色差和形状差异且其直方图有明显双峰的特性,提出一种改进的模糊c均值聚类和数学形态学相结合的算法,将目标图像有效地分割出来.首先依据像素邻域间的约束属性以及二维直方图对角线元素含有稳定图像信息的特点,在模糊c均值聚类算法基础上对聚类目标函数进行改进,并将二维直方图对角函数引入隶属度函数中,最终将目标区域有效地分割出来.实验结果表明:该方法具有识别精度高、计算量小、去噪能力强的特点.     

基于全局空间相似性的模糊聚类算法

用传统模糊C均值聚类算法分割图像时,类内数据空间分布离散．针对这一问题,提出一种基于全局空间相似性模糊聚类算法．算法建立全局空间相似性度量标准和全局灰度相似性度量标准,分别计算图像中任意一点与聚类中心点的空间相似性和灰度相似性;通过调整参数来控制两种特征在节点间差异计算中所占的比重,增强了分割结果中类内数据样本空间分布...     

基于空间模糊聚类的图像分割优化算法

针对传统模糊C-均值(FCM)算法抗噪性能差的问题,提出一种新的基于空间模糊聚类的图像分割优化算法.该算法通过在传统FCM算法基础上加入图像特征项中像素间的空间位置信息,解决了传统FCM对噪声敏感的问题,增强了算法的鲁棒性.实验结果表明,对于添加5%Gauss噪声的图像,该算法可实现有效分割,分割效果显著优于传统FCM算法.     

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。     

基于相似类合并FCM在图像分割中的应用

传统的基于模糊C均值聚类的图像分割算法分割结果中类内数据空间分布离散,无法准确分割出目标物体.针对这一问题,提出一种基于相似类合并模糊C均值聚类算法,并将其应用到图像分割中.首先,提出一种全局空间相似性度量标准和全局灰度相似性度量标准,并将其引入到一种新颖的节点间距离度量公式中来计算图像中任意一点与聚类中心点的差异.其次,算法选取彩色直方图作为区域描述算子,采用巴氏距离计算聚类过程中得到的任意两类间的相似性.最后,应用最大相似类合并策略得到最终的分割结果.实验结果表明,与传统模糊C均值聚类算法和空间约束核模糊C均值聚类算法相比,该算法获得更加精确的图像分割结果.     

彩色图像的球形粒计算分割算法

针对基于聚类的彩色图像分割算法速度较慢,提出了彩色图像的球形粒计算分割算法.将彩色图像每个像素点表示为以该点RGB像素值为中心0为半径的球形粒,设计球形粒之间的合并算子,利用粒度阈值对两球形粒进行有条件合并,得到不同粒度的球形粒组成的球形粒集,以球形粒中心对应的RGB值代替球形粒包含像素点的RGB值.实验结果表明:与K-means算法和FCM算法相比,球形粒计算分割算法是稳定的而且分别加快了6倍和34倍.     

基于FCM和标记分水岭的粘连岩石颗粒图像分割

模糊C均值算法可利用图像的多种特征值进行准确的图像分割,但不能分割粘连物体;传统的分水岭分割算法能够获得准确的物体边缘轮廓,但容易造成过分割.为了解决这个问题,提出基于FCM和标记分水岭的粘连图像分割.该方法首先对原始彩色图像中值滤波后进行基于LUV颜色空间的FCM聚类;对聚类后的图像用形态学方法去杂质、空洞填充后进行距离变换;然后根据距离变换图像找出局部最大值,得到种子图像;最后对距离变换图像进行基于标记的分水岭分割,得到最终的分割图像.该方法对粘连岩石颗粒图像进行分割,取得了较好的实验效果.     

Lab空间的改进k-means算法彩色图像分割

为减弱经典k-means 算法中ＲGB( Ｒed Green Blue) 空间各个颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响,并克服ＲGB 空间色彩分布不匀的缺陷,提出了一种基于Lab 颜色空间的改进k-means 聚类彩色图像分割方法。首先,将颜色空间从ＲGB 转换为Lab 空间,每个像素点都可以由L、a、b 3 分量组合进行表示。其次,用马氏距离替换欧氏距离进行改进,应用改进后的k-means 算法对图像像素点进行聚类,从而实现分割目的。通过实验证明该改进算法比经典k-means 算法具有更好的分割效果和准确度。