CT图像的模糊聚类分割

本文描述了模糊聚类Fuzzy C-Means(FCM)算法实现CT图像分割的方法和过程,该算法的主要特点是提供了一种非监督方式的模糊聚类,它可满足CT图像工作站以非监督方式分割图像的要求。 介绍了CT图像模糊分割的特点,并对实验过程和结果进行了讨论。     

卫星图像分割的聚类算法

文章首先阐述了图像K-L变换的基本原理,然后再对处理后的图像应用ISODATA,FCM等方法进行图像分割,最后运用FCM算法的思想,改进方案,将聚类与传统图像处理方法相结合,对街区卫星图像进行分析,实验结果表明,改进的方案明显提高了卫星地图图像的分割速度和精度。     

基于动态加权模糊核聚类算法的医学图像分割新方法

采用动态加权的模糊核聚类算法对CT医学图像进行分割.该算法对模糊核聚类算法中的特征向量进行动态加权,以自动削弱噪声特征向量在聚类中的作用,这样可以减小噪声对图像分割的干扰.实验结果表明,采用该种新算法对CT图像分割后,可以获得更清晰的分割图像.     

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。     

基于图像直方图与模糊核聚类的分割方法

利用图像直方图与模糊核聚类知识,提出一种新的分割方法,即先获取直方图数据信息结合期望值理论获得初始聚类中心,然后对图像进行模糊核聚类分割.本算法可以解决模糊核聚类算法对初始的聚类中心等信息较敏感的问题.实验结果表明,与标准的模糊C-均值(FCM)聚类分割方法相比,具有更优越的分割性能,分割结果与实际图像更为接近.     

基于模糊聚类的数字显微全息图像分割

图像分割是由图像处理到图像分析的一个关键步骤,同时它又是一个经典难题;数字显微全息图像由于其成像机理的复杂性以及对成像环境的高要求使图像的分割变得更为困难。文章将模糊聚类应用于数字显微全息图像的分割,实验证明这种方法简便而有效。     

基于全局优化K均值聚类的医学图像分割方法

K均值聚类是医学图像分割中最常用的方法之一,但K均值(K-means)聚类算法一个固有缺陷,在于若初始中心点的选取有重复的中心点,则聚类结果将含有空簇而使得聚类结果没有意义,进而影响图像分割效果。针对这一缺陷,首先提出在初始选点过程中进行聚类中心优化,避免产生重复的解决办法——初始点优化K均值算法(Initialization Optimized K-means,IOK-means),继而将初始选点数据域约束到图像直方图峰值集,进一步改善聚类效果,得到全局优化K均值聚类算法(Global Optimized K-means,GOK-means)。将GOK-means应用在脑部医学图像分割的实验表明:GOK-means能够将脑部灰质、白质及骨骼部分清晰地分割,与传统K均值算法IOKmeans相比,GOK-means的初始化聚类中心成功率达到100%,聚类总体均方差降低了54.9%,验证了GOK-means的有效性。     

基于分水岭变换和核聚类算法的图像分割

提出了一种基于分水岭变换和核聚类算法的图像分割算法．通过分水岭变换把图像分割成多个小区域,为实现过分割小区域的合并,利用Mercer核把各小区域的灰度平均值映射到高维特征空间,使原来没有显现的特征突现出来,在特征空间进行更准确的聚类,为下一步图像分析提供较为准确的分割区域．实验结果证明了该算法的可行性和有效性．     

基于聚类算法的岩石CT图像分割及量化方法

为研究岩石CT图像分割及量化方法,以识别岩石CT图像中的岩石区、损伤区及背景区为目的,提出了一种聚类算法与数字图像处理技术相结合的方法,该方法根据“物以类聚”的统计原理,按距离相近或相似程度对岩石CT图像中的像素进行标定,从而实现图像分割及量化。结果表明:该方法能够准确地对岩石CT图像中的不同区域进行分割并且实现了对损伤的量化表达; 同时,对于结果不确定度影响的初始参数有完全的排异性,从而保证了结果的稳定性; 将该算法与阈值分割法进行比较,该算法可避免人为选择阈值导致的误差,从而保证结果的可靠性。     

基于改进树种算法的模糊聚类图像分割

元启发式人工智能优化算法应用于模糊聚类图像分割一直是研究热点.树种算法(TSA)是一种比较有效的智能优化算法,但标准TSA中的固定判断参数ST影响算法的收敛速度.为此,提出了随迭代次数逐渐增大的变量,并且将步长因子构造相应的非线性递减函数,使得迭代初期侧重于树种的全局搜索而后期侧重于局部搜索,提高TSA算法收敛的精度和速度.将改进TSA算法用于模糊C均值聚类算法(FCM)聚类中心生成的过程得到基于改进树种算法的模糊聚类(ITSA_FCM),这一举措能有效地避免FCM陷入局部最优.改进的算法具备优异的聚类效果和较快的运行速度.     

一种基于网格聚类的图像分割方法

针对聚类算法在图像分割上存在分割效果和时间效率上的不足,基于网格聚类算法ShrinClus,提出一种新的图像分割方法,该方法通过把图像的RGB空间分割成网格,将所有像素点分配到原子网格当中,然后对非空原子网格集合进行收缩聚类,通过查找低密度的边缘网格来确定簇的边界,最终将原子网格的分类结果映射至像素点.该方法能有效地分割在RGB空间中存在部分重叠的图像,算法具有接近线性的时间复杂度.最后通过实验验证了新方法的有效性.     

基于轮廓波变换的模糊聚类图像分割

提出基于轮廓波变换的模糊聚类图像分割算法,从变换域的角度提高传统聚类算法的抗噪声能力.首先用轮廓波变换对含噪声图像消嗓,然后再进行聚类图像分割.实验结果表明:新算法能够获得较好的图像分割效果和质量.     

基于模糊聚类与二维阈值的图像分割

针对图像的二维阈值分割,采用了一种快速二维阈值分割与模糊聚类相混合的方法,以进一步减少二维阈值分割中的噪声与错误分割,实验结果表明,利用这种方法分割信噪比较低的图象,能够在很短的时间内得到更为满意的分割结果。     

基于粗糙熵和K-均值聚类算法的图像分割

针对基于粗糙熵的图像分割算法不能满足复杂图像的多类目标提取的需要,本文先利用K-均值聚类算法对图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阈值分割的目的。通过对遥感图像进行分割处理,证明了改进后算法的有效性。     

基于PCNN的人脸图像分割算法研究

研究了基于PCNN的人脸图像分割算法。利用简化型PCNN对人脸图像进行分割,根据人脸图像的灰度特征和空间信息的相关性,得到了人脸图像的神经元点火序列,该点火序列就是图像分割的结果。通过MATLAB仿真实现了该算法,表明该算法具有一定的工程价值。     

模糊聚类算法在痕迹图像分割中的应用

针对痕迹图像在比对与识别中的预处理要求,以图像像素灰度和邻域信息的二维矢量为聚类样本,以二维直方图确定阈值数,采用对样本进行加权的模糊c均值聚类算法对痕迹图像进行多阈值分割处理.实验结果表明,基于样本加权的模糊聚类算法速度快,对痕迹图像有较好的分割效果.     

基于改进活动轮廓模型的超声图像分割

活动轮廓模型被广泛应用于医学图像分割之中,文中提出了一种改进的快速活动轮廓分割法。原算法在优化过程中容易缩成一点,其初始轮廓必须给定在图像边缘附近,改进的快速活动轮廓算法给出了不同于原算法的内部能量函数,并增加一自适应的约束力,扩大了算法捕捉图像特征的范围。实验结果表明：该算法快,能在更大的范围内捕捉图像特征,是一种有效的分割超声图像的算法。     

采用一种新的马尔可夫模型进行癌症医学图像分割

将数据驱动的蒙特卡罗型马尔可夫链(DDMCMC)这一新的马尔可夫模型运用于分割癌症医学图像.这一图像分割过程为:先将需要处理的空间分割成3层;创建平稳的马尔可夫链;采用数据驱动的方法运算得到启发式的信息;运用适合的数学原理来选取图像粒子.通过对比可知采用DDMCMC方法比采用其它算法在癌症医学图像分割方面更具有优点.