基于改进FCM和形态学的浮选泡沫形态特征提取

针对浮选过程中因气泡粘连及形状不规则导致泡沫形态特征难以提取的问题,提出一种基于改进模糊C均值(fuzzy C-means,FCM)聚类和数学形态学的浮选泡沫形态特征提取方法。引入聚类有效性指数及特征散度对模糊C均值聚类算法加以改进,并利用改进的聚类算法对泡沫图像进行聚类,得到泡沫大致区域。依据灰度分布和形状特征,采用面积重构开闭算法对图像进行除噪处理。基于形态重构方法思想,提出采用高低精度距离变换方法,同时,结合改进面积重构变换提取标志图像,进而利用分水岭算法对泡沫图像进行分割。通过测量分割区域和标定像素提取泡沫形态特征,并与浮选工艺参数做相关性分析。研究结果表明,该方法能够准确地分割粘连泡沫,且提取的泡沫形态特征能有效反映浮选工况。     

一种提取MRI图像感兴趣区域的分割方法

以国际标准脑肿瘤MRI图像库为背景进行分割实验,提出一种结合模糊C均值聚类、区域生长和数学形态学的FCM_Region分割方法对MRI脑肿瘤感兴趣区域进行提取.先利用模糊C均值聚类算法对原图进行聚类粗分割,对分割的结果采用形态学双结构算子和区域生长法去除颅骨等非脑组织来获取脑部组织,并平滑图像,最后采用比对法获得肿瘤感兴趣区域.实验结果证明了该方法对MRI脑肿瘤图像分割的有效性.     

一种改进的分水岭分割算法

传统的分水岭分割算法受噪声和图像细节信息的影响,存在过分割、对噪声敏感等缺陷.针对这些缺陷,提出一种基于密度模糊聚类的分水岭分割算法.首先对图像进行分水岭分割,提取各子区域灰度均值,然后对灰度均值进行密度模糊聚类,进行区域合并.进行多组对比实验,结果表明此算法具有可行性和有效性.     

一种改进的分水岭分割算法

传统的分水岭分割算法受噪声和图像细节信息的影响,存在过分割、对噪声敏感等缺陷.针对这些缺陷,提出一种基于密度模糊聚类的分水岭分割算法.首先对图像进行分水岭分割,提取各子区域灰度均值,然后对灰度均值进行密度模糊聚类,进行区域合并.进行多组对比实验,结果表明此算法具有可行性和有效性.     

裂纹图像分割与提取的聚类分析方法

提出了一种模糊C均值聚类和密度聚类算法相结合的方法对裂纹图像进行分割提取.使用标准的模糊C均值聚类算法来对原始图像进行初始聚类,得到包含裂纹区域的候选点.本文还提出裂纹狭长度与区域向量2种概念,并用来去除候选点中的伪裂纹.然后,利用密度聚类算法(DBSCAN算法)对候选点进行裂纹聚类,提取出最终的裂纹图像.实验结果证明,使用上述方法对裂纹图像进行分割提取可以得到很好的效果.     

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.     

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.     

自适应多层次的图像双线性广义模糊增强算法

在模糊集合论和广义模糊集合论的基础上,构造出用于模糊增强图像区域对比度的新型线性广义模糊算子.提出了一种自适应多层次的图像双线性广义模糊增强新算法,该算法利用线性广义隶属度变换及其逆变换,实现了灰度图像空间的广义模糊化与广义模糊空间的灰度化,使用线性广义模糊算子对线性广义模糊隶属空间进行了区域对比度模糊增强,最终利用"MIN" 算子提取出了增强图像的边缘轮廓.基于模糊熵的多层次阈值灰度选取过程,体现了算法的自适应性与实用性.实验表明,该算法能够快速无失真地同时增强图像中不同层次的边缘信息,所提取出的增强图像边缘准确、层次分明.     

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。     

阿尔茨海默症海马区显微图像的分割算法

老年斑和神经元缠结的分割提取对于阿尔茨海默症病理研究有重要的意义.该文对阿尔茨海默症动物模型的脑彩色显微图像的目标分割和形态学参数统计的算法进行了研究.利用改进的模糊C均值算法对彩色图像的颜色信息进行聚类,分别提取了老年斑和神经元纤维缠结目标.再利用数学形态学方法对图像进行后续处理.实验表明,该文提出的综合算法能较好地提取阿尔茨海默症动物模型特征性病变的边界以及计算相应目标的形态参数.