基于K-means算法的RGB图像色彩聚类

给出了一个利用K-means算法进行迭代聚类,并以聚类结果建立彩色图像调色板的算法。该算法在统计图像中各种颜色的RGB组合值出现次数的基础上,以聚类得到的256种颜色建立调色板,从而将BMP格式图像转换成GIF格式。实验表明,这种转换的色彩失真较小。     

基于颜色和纹理特征相结合的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术.目前多数的车牌定位方法考虑车牌的颜色以及纹理特征,但针对复杂背景下的车牌定位问题,其适应性不强.针对现实生活中复杂背景下的车牌定位,提出综合使用纹理信息及颜色信息等多种特征的分层次车牌快速定位方法.首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性,然后结合先验知识,运用四元数主成分分析及K-means聚类方法,提取候选区域图像特征并分类,最终得到精确车牌定位.试验证明该方法正确率高、鲁棒性强,对于背景复杂的车牌定位具有很强的抗干扰性能,在复杂的环境和不同光照条件下实现车牌的精确定位.     

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.     

Regional Merge K-means图像分割算法及其质量评价

K值是基于K-means聚类算法进行图像分割效果的关键因素,为了解决K值过小,图像分割不明显,K值过大,图像分割信息过于碎片化的问题,提出一种Regional Merge K-means(RMK)算法.首先对图像运用K-means算法进行聚类,然后运用区域合并(Regional Merge)优化图像分割效果,最后利用不同图像进行图像分割试验,并选用不同的质量评价指标对试验结果进行评价.结果表明,该算法能显著优化图像分割效果.     

基于二值图像的车牌精确定位方法

提出一种基于二值图像灰度变化特征进行车牌精确定位的方法.在车牌粗定位的基础上,对分割出的车牌图像进行二值化,对二值车牌图像进行逐行扫描,利用每一行像素的黑、白跳变规律确定车牌的上下边界;对二值车牌图像进行处理得到特征图像,通过对特征图像进行垂直投影确定车牌左右边界.测试结果表明,该方法精确定位的准确率达到99%.     

基于K-means聚类算法的图像分割方法比较及改进

为了探讨K-means算法应用于图像分割时在不同颜色空间中的聚类效果,选用了不同分辨率的多对图像进行研究,分析了基于RGB和YUV颜色空间的分割结果,并提出一种新的混合模型,即在YUV聚类距离公式中引入图像的二维信息熵的差量,同时利用YUV颜色空间中的Y分量作为其灰度进行计算,实验结果表明,基于YUV颜色空间聚类的改进模型分割效果比单纯使用YUV颜色空间进行聚类更佳。     

基于K-means聚类分析的变压器故障诊断

将K-means聚类算法在对事物分类中的优点用于判断变压器的故障中.并针对K-means聚类法在给定初始聚类中心不良的问题上进行改进.将改进的K-means聚类算法与三比值法相结合,以此来诊断变压器的多种常见故障.应用MATLAB分别对改进前后的K-means算法进行仿真,并将改进后的仿真结果同改进前K-means聚类算法的结果进行对比分析.结果表明,改进的K-means聚类算法不但能精确、有效地对变压器故障进行诊断,并且改进的K-means聚类法使仿真结果更加准确可靠.     

基于三聚类中心K-means算法的SAR船只检测方法

为解决高分辨合成孔径雷达(SAR)图像中基于海杂波模型的CFAR船只检测方法适用性受限的问题,提出了一种基于三聚类中心的K-means船只检测方法.该方法将SAR图像划分为船只目标、海杂波及其他干扰3个聚类,利用K-means聚类算法求得最高聚类中心值,并将其作为检测阈值进行船只初步检测,然后结合分辨率和船只尺度等先验信息进行形态学滤波操作得到最终检测结果.基于实测数据的实验结果表明,所提方法无须海杂波的统计信息,且不依赖于SAR图像的分辨率,可有效地服务于高分辨率SAR图像中的船只检测任务.     

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。     

足球视频中近镜头的分类方法

视频镜头类型能够弥补低级特征和高级语义之间的鸿沟,有利于精彩事件的检测.文中在现有镜头分类算法的基础上,提出了一种将足球视频中的近镜头进一步分成特写镜头和场外观众镜头的分类方法.该方法选取近镜头关键帧图像在RGB颜色空间中颜色分量最少的单色图像,并对其进行尺寸归一化,然后采用各向同性Sobel算子和闭运算处理,获得二值边缘图像,最后通过计算二值边缘图像中黑色分块的个数实现两类镜头的分类判别.实验结果表明,文中方法是有效且实用的.     

基于HSV和MB_LBP特征的级联Adaboost车牌检测算法

车牌检测作为车牌识别系统中的重要环节,直接影响着车牌识别的准确度.为提高车牌的检测率和检测速度,提出了一种基于HSV颜色模型和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法.首先将车牌图像由RGB颜色空间转换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次对车牌字符样本提取MB_LBP特征,利用Adaboost分类器训练方法进行特征选择及分类器训练,最后利用Cascade结构检测法形成一种新的车牌检测算法.实验表明,本文算法有效的提高了车牌检测率和检测速度.     

基于K-means聚类的遥感影像条状地物半自动提取方法

遥感图像地物目标提取是遥感图像分析的关键步骤,通过分析遥感图像的频谱特性,提出一种基于K-means聚类的地物目标提取方法。首先通过时域和频域相结合的方法对原始图像进行增强,再利用K-means聚类算法对图像各个分量进行聚类,聚类结果分为目标类和背景类,然后分别计算每一类的特征值均值和方差,迭代两类像素的灰度值,同时结合数学形态学和阈值方法进行地物目标提取,得到最终的目标提取结果。实验对多幅遥感图像进行不同地物目标的提取,实验结果表明:该算法具有很好的抗噪能力,目标提取结果精确,有一定的现实意义。     

模糊C-均值聚类法在车牌识别系统中的应用

针对车牌识别系统中的图像存在模糊、噪声干扰等问题,利用改进的模糊C-均值聚类算法来提高图像的分割效果.图像经边缘检测后,根据车牌中字符分布的特点,车牌内部存在着较丰富的边缘.由于边缘处灰度值与车牌中其它部分的灰度值不同,可利用灰度值的变化频率,来实现对车牌定位.实验表明该算法在车牌识别系统中是有效的.     

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.     

基于孤立点自适应的K-means算法

孤立点的存在使聚类中心的计算产生较大误差,影响K-means算法的聚类效果.针对该问题,引入谢林模型,使孤立点能够自动移动到其邻居所在位置,消除孤立点,同时,对K-means算法过程中的距离计算、初始聚类中心选取环节进行改进,提出基于孤立点自适应的K-means算法.该算法首先对原始数据进行归一化处理,以提高距离计算的准确性;然后,根据谢林模型的基本思想,将孤立点移动到其最近的多邻邻居;接着,由类簇的数目确定邻居样本的搜索范围,确定初始聚类中心;最后,根据移动后的数据集和初始聚类中心,进行K-means聚类.在UCI机器学习数据库中经典聚类数据集上的实验结果表明,该算法可显著提升聚类的精度,同时,簇的内聚性也比较好.     

一种车牌字符位置侦测的新方法

提出一种快速可行的鲁棒性车牌图像二值化算法,实现了对不同质量车牌图像有普遍适用性的车牌图像二值化方法;结合设计的快速连通体标记方法、二值图像简化算法及动态车牌模板搜索算法,实现了从车牌图像中快速定位车牌字符及车牌本身并同时获得车牌字符轮廓信息的新方法.实验证明,该方法对车牌及其字符定位准确率高,且对不同条件下获得的不同质量的车牌图像有较好的适应性.     

基于字符笔画斜率特征的车牌识别算法研究

车牌字符识别是车牌智能识别系统中的关键技术之一,为了提高车牌字符识别准确率和实时性,提出了一种基于车牌字符笔画斜率特征的字符识别算法,新算法在对准确分割后的车牌字符图像进行归一化、二值化和细化等预处理后,提取车牌字符笔画像素点的斜率值,再将斜率值构造成识别向量,进而通过计算特征向量的夹角值实现待识别字符与标准模板字符的相似度判断;实验结果表明,新的算法与已有的传统字符识别算法相比,既提高了识别准确率,又降低了识别耗时,结果满足实际工程应用需要.     

基于投影分布和形态学的车牌字符切分方法的研究

介绍了车牌字符的分割,应用了二值化、图像垂直投影分布、形态学、归一化等技术.     

基于动态隧道系统的K-means聚类算法研究

针对K-means聚类算法易陷入局部极小的问题,利用动态隧道算法在解决全局最优化问题中的有效性,将算法中的动态隧道过程引入到K-means聚类算法中,提出了一种基于动态隧道算法的K-means聚类算法.该算法在K-means聚类算法寻优得到的局部极小值基础上,利用动态隧道过程寻找更小的能量盆地,再将其值提交给K-means聚类算法进行迭代寻优,重复该过程,直到找到全局最小值.理论分析和仿真实验证明,该算法的聚类效果要优于K-means聚类算法.     

基于灰度累积投影与边缘图像跳变统计的车牌定位方法的研究

针对交通检测系统中数码相机所拍摄到的图片,提出一种车牌定位方法:首先对图像进行二值化和边缘检测等预处理,然后根据边缘二值图中车牌区域的边缘特征,利用行扫描方法对图像进行灰度累积投影与边缘图像跳变统计,再根据车牌区域的字符纹理特征及灰度值特征确定车牌的水平位置.利用列扫描方法对图像进行灰度累积投影,用形态学的方法对细长线条的过滤,从而达到对车牌进行准确的垂直定位.实验表明,这种方法取得了较好的效果,具有较高的实用性.