一种改进的K means聚类彩色图像分割方法

图像分割是从图像处理到图像分析的关键步骤.图像分割的目的是将图像分割为多个互不重叠且又各具特性的区域,主要应用于图像压缩、目标提取、模式识别等.以往的图像分割技术主要应用于灰度图像,随着计算机技术的进步,彩色图像分割逐渐受到关注.该文在前人对彩色图像分割问题的大量研究成果基础上,提出了一种将K-means聚类、蚁群算法以及分水岭算法相结合的分割方法.本方法有效的克服了聚类数目必须依据先验知识提前设定、最初的聚类中心是随机选取的、聚类的效果好坏依赖于距离判定公式的缺陷.     

基于改进K均值聚类的银行客户分类算法

为了提高银行客户分类的正确率,使银行的收益最大化,提出一种基于改进K均值聚类的银行客户分类算法.算法定义了类间最大相似度均值(AMS),并根据该定义确定最佳聚类数.当计算出的当下AMS值比前一次的AMS值小时,根据距离原则选择初始聚类中心;当计算出的当下AMS值比前一次的AMS值大时,把该最小AMS值相匹配的聚类中心看作初始聚类中心.利用最佳聚类数和初始聚类中心实现银行客户的细分.仿真结果表明,提出的算法能够跳出局部最优,并提高客户分类的正确率.     

基于遗传算法的可变加权FCM聚类方法改进研究

模糊C均值聚类(FCM)应用广泛,但是它容易陷入局部最优,且对初始值很敏感.利用遗传算法对模糊聚类中聚类中心的个数和聚类中心的选取进行了确定,然后在FCM法中引入指标权重,并给出迭代公式和相应算法.实验结果表明,该方法可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,效果很好.     

两阶段纹理图像分割

谱聚类是一种以图和相似性为基础的聚类新算法.当图像很大时,计算相似性矩阵及其特征值和特征向量十分耗时.为了将谱聚类算法应用于大规模聚类问题,该文提出一种两阶段纹理图像分割算法,采用改进的分水岭算法进行预分割,然后用特征值尺度化特征multiway谱聚类算法进行最终分割.为了检验算法性能,将其应用于纹理图像分割,分割结果令人满意.     

基于最大类间方差遗传算法的图像分割方法

分析了最大类间方差阈值图像分割算法的基本原理，结合遗传算法及其特点提出了一种自动阈值选取的图像分割算法，在本算法中对传统晨大类间方差图像分割的算法及遗传算法进行了改进，提高了传统算法的速度，改善了遗传算法的收敛速度与最优解的协调关系，最后从速度及性能上进行了分析比较，并对实际图像分割做了反复实验，结果表明，本遗传算法的图像分割方法在图像分割过程中具有速度快，效果好的特点。     

基于色度直方图的颜色聚类算法

提取目标背景的主色是迷彩设计中的重要步骤,通常采用的颜色聚类算法具有监督性的缺陷. 为此,提出一种基于色度直方图的、无监督的颜色聚类算法. 该算法采用CIE 1931色度系统建立色度直方图,根据像素点在该坐标系的分布规律自动生成聚类中心. 逐一计算像素点与各聚类中心的色度的欧氏距离,将像素点与最近的聚类中心归于一类. 实验结果表明,采用该聚类算法能够准确提取主色,自动分割彩色图像,且比普通聚类算法的时间效率更优.     

基于K均值聚类算法提取CT图像的肺部肿瘤

为自动提取CT肺部肿瘤,辅助医生对患病部位进行诊断和治疗,利用K均值聚类算法自动提取肺部肿瘤和剩余肺部图像,并分别和影像医生手工分割的肺部肿瘤和剩余肺部图像作对比。结果表明,自动提取的肺部肿瘤图像与专业医学影像医生手工提取的肺部肿瘤图像在外形、灰度和方差方面非常接近,说明利用K均值聚类算法自动提取肺部肿瘤的方法是有效的、可行的。     

基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割

合成孔径雷达(synthetic aperture radar,SAR)图像分割是河流检测与识别的关键步骤,为了进一步提高河流SAR图像分割的准确性,提出一种基于Shearlet变换、Krawtchouk矩不变量及模糊局部信息C均值聚类的河流SAR图像分割方法.首先,对河流SAR图像进行Shearlet分解,提取其纹理特征,构成特征向量的前半部分;然后,计算河流SAR图像的Krawtchouk矩不变量,作为其形状特征,构成特征向量的后半部分;最后,利用模糊局部信息C均值算法依照上述特征向量进行聚类,由此得到河流SAR图像分割结果.大量实验结果表明,与近年来提出的脉冲耦合神经网络结合最大方差比准则分割法、Gabor小波变换结合模糊C均值聚类分割法、FLICM聚类分割法相比,所提出的方法在主观视觉效果以及客观定量评价指标误分割率上均有明显优势,且分割河流SAR图像更加准确.     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak, CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering, DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%...     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak,CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering,DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%,在计算效率和精度方面均优于其他两种方法。     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.     

基于数据垂直分布的模糊关联规则入侵检测算法研究

把基于数据垂直分布的模糊关联规则挖掘算法引入到网络的入侵检测,利用该算法从网络数据集中对采集到的数据进行模糊化的处理,并将数据垂直分布于位图中.利用k-means聚类算法建立属性的模糊集和模糊隶属函数,该算法克服了传统的离散分区法的不足,同时改进了已有模糊关联规则,提取出具有较高可信性和完备性的模糊关联规则.     

引入图片相似性的PatchMatchGraph方法

随着人工标注的在线图像数据越来越多,数据驱动的相关算法日益受到人们的关注.图像语义分割是图像分割领域的一项重要任务,S.Gould等人提出了PatchMatchGraph算法,该算法通过对图片集合建立图片之间像素块的映射,使得PatchMatch算法在图片语义分割应用上有着很好的效果,但是由于PatchMatchGraph算法对于计算机内存的消耗太大,限制了其进一步的应用.我们提出了一个新的算法框架,通过引入图片相似性,对训练集做预筛选,保持允许范围内准确度的同时,降低了内存的消耗,为算法应用提供了新的指导思路.     

浮选中泡沫图像的分割算法

描述了浮选中泡沫图像的分割算法，根据测定泡沫的尺寸、形状和纹理分割泡沫图像。因这些泡沫图像的图案和性质千差万别，用现有的分割算法是很困难的，我们修改并结合不同的现有图像分割算法，形成了一种分割泡沫图像的新算法。在这种算法中，使用并修改了阈值算法，自动地检测泡沫的种子点或种子区域，然后使用形态学技术产生泡沫区域。最后，基于泡沫形状分析，合并过于分割的泡沫部分为一泡沫。文中列举了分割三个泡沫图像的结果，它表明这种分割泡沫图像的方法是合理的。     

Chan-Vese模型下的复合多相水平集图像分割

Chan-Vese模型(C-V模型)能够实现图像的二区域分割,但在多区域分割上存在局限. 目前解决C-V模型多区域分割问题有两种方案：一是采用多水平集同时收敛的并行多相分割;另一种是采用多水平集依次收敛的串行多相分割. 文中将两种方案结合起来,利用并行多相算法表示区域量大和串行多相算法分割效率高的特点,提出基于C-V模型的复合多相水平集分割算法,增加了串行结构下的分割区域量,也提高了并行结构下各水平集的实际分割效率. 实验结果表明,该方法可实现多区域分割,并能检测由弱边缘构成的子目标.     

一种改进的基于边界跟踪的粘连目标分离算法

在颗粒图像的自动分割中,经常遇到颗粒粘连、重叠在一起的现象,需要将它们分离为单个颗粒目标.基于边界跟踪的分离算法能够克服聚堆目标连接处的凹陷比较明显并且/或者在连接处存在灰度局部最小边缘的要求,取得了较好的分离效果.但对于某些中轴方向不是垂直或水平的聚堆目标,分割仍然不理想.为此,提出了一种改进的分离算法,该算法通过自动旋转聚堆目标区域使其中轴方向成垂直或水平来实现这种情况下的分离.实验结果表明该算法进一步提高了分离效果.     

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

为了增强图像分割技术的准确性并优化图像分割技术的细节分割效果，提出了一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法。将OTSU算法中依据图像灰度特征选取的图像中的前景和背景通过属性加权朴素贝叶斯算法进行分类处理，计算图像中前景和背景的概率，训练该模型以获得最佳阈值进行图像分割处理，优化图像分割的效果。利用无人机航拍采集的图像数据进行实验，结果显示基于属性加权朴素贝叶斯算法的OTSU图像分割方法优化了图像的分割效果，较完整地展示了分割后的图像细节，具有较好的应用价值。