基于K-均值算法的植物彩色图像分割

图像的分割实质是将图像中的像素点依据对象的不同分为不同的类；应用经典的聚类算法即K-均值算法对植物彩色图像进行分割，实验结果表明：经该算法处理后能够将图像中的对象与背景分离开，并取得了较好的图像分割效果，拓宽了聚类图像分割算法应用的新领域。     

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.     

一种改进的K-means聚类服装图像分割算法

图像分割是图像处理中的重要环节,如何提高图像分割的准确度一直以来都是图像领域的研究重点及难点.K-means聚类算法作为经典聚类算法得到广泛应用,但是,k值的选取往往难以确定.针对这一问题,提出了一种改进的K-means算法.首先将输入的彩色图像转化为灰度图像,统计灰度直方图的峰值数,将其设定为聚类数k,然后对原图像的每个像素点进行聚类,实现分割.实验结果表明,与传统的K-means算法相比,该算法能够确定最佳的聚类数,并且分割效果好.     

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.     

基于层次聚类与峰值检测的FCM图像分割算法

针对传统FCM算法在图像分割中存在的过度依赖初始聚类中心、计算复杂度高等问题,结合层次聚类与直方图峰值检测,提出了一种新的FCM图像分割算法.首先根据图像灰度直方图统计信息对图像进行层次聚类,然后将得到的聚类中心作为FCM算法的初始聚类中心对图像进行分割.该算法无需预先设置聚类数目,能自动搜索全局最佳聚类中心.实验结果表明,相比传统FCM算法和峰值检测的FCM算法,该算法不仅可以有效地提高图像的分割效率,而且分割结果更加精确.     

改进的基于模糊C-均值聚类的图像分割算法

目前的FCM类型的算法聚类数目的确定需要聚类原形参数的先验知识,否则算法就会产生误导.为了提高图像分割算法的抗噪性能,用K均值聚类算法简单、快速的优点对模糊C均值聚类算法进行改进.结合图像的邻域信息,对图像的直方图作均衡化处理,改善图像质量,通过自适应滤波,降低噪声对分割效果的影响.先用K均值聚类算法对图像进行分割,快速的获得较为准确的聚类中心和初次分割图像,避免了FCM算法中初始聚类中心选择不当造成的死点问题.用邻域灰度均值信息代替传统模糊C均值聚类算法中的灰度信息,对K均值聚类得到的图像作二次分割.该方法能更好的抑制噪声的干扰,提高了聚类算法的分割精确度.     

一种基于改进FCM的自动图像分割算法

针对FCM进行图像分割时需要人为确定聚类数的问题,提出一种改进的基于FCM的图像分割算法.该算法先对图像进行4叉树结构的子图分解(即原图等分为2×2的4幅子图,子图再等分为2×2的4幅子图),待子图满足一定条件时进行聚类数为2的FCM聚类分割;然后将分割好的区域根据其大小及相邻区域直方图的巴氏距离进行合并,得到最终的分割结果,从而避免了聚类数目的直接确定.实验结果表明:该算法能够获得很好的分割效果;对子图进行聚类分割减少了每次参与聚类的对象数,从而在一定程度上降低了算法的计算量.     

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。     

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.     

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...