一种融合图像滤波的FCM图像分割算法及其应用

模糊C均值聚类(FCM)算法常用于图像的聚类分割中,但常规的FCM算法对噪声的抑制能力较差。许多改进的FCM图像聚类分割算法虽能有效地抑制图像中的椒盐噪声和高斯白噪声,但是对图像中出现的大颗粒背景噪声的抑制效果仍然较弱。提出了一种融合图像滤波技术的FCM图像分割算法,根据噪声尺寸选择滤波窗大小,利用FCM聚类结果构造噪声判定矩阵并设计噪声判定规则,实现滤波窗内噪声点滤波操作。该算法针对人工合成的含噪灰度图像和实际的纤维图像进行了图像分割实验,实验结果表明:本文算法能有效抑制图像中的噪声,特别是大颗粒背景噪声,能获得满意的分割结果。     

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.     

基于BIC准则的图像分割算法

为解决图像分割算法中聚类数必须事先给定,否则无法进行聚类的问题,基于BIC准则建立了图像聚类算法的新型目标函数,提出了一个自动聚类算法.该算法实现了自动聚类,通过求聚类目标函数的最小值,给出聚类数,从而为聚类数的确定提供理论依据.对两幅图像进行实验模拟,实验结果表明,本文算法是有效的,具有普适性.当聚类图像灰度变换比较明显时,本文算法与K-均值、FCM算法聚类效果相同.当聚类图像灰度变换不明显时,本文算法的聚类效果优于K-均值、FCM算法的聚类效果.     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。     

一种快速模糊聚类分割算法

本文把区域生长技术与FCM聚类方法结合起来,提出了一种快速FCM聚类分割算法.由于大大减少了参与聚类的样本数目,有效地提高了FCM聚类分割的速度.通过对遥感TM图像的分割实验,本算法比经典FCM聚类算法速度提高三倍以上.     

改进的快速模糊C均值聚类图像分割算法

为了提高图像分割的运算速度,该文在将传统模糊C均值(FCM)聚类算法应用于图像自动分割的基础上,提出一种改进的快速图像分割算法。将图像从像素空间映射至其对应的灰度直方图特征空间,实现在特征空间进行数据聚类分析以减少聚类样本数量。依据灰度直方图特性,通过曲线拟合方法获得图像的聚类数及初始聚类中心。实验结果表明,在有效分割图像的基础上,该算法的运算迭代次数减少了约10%,运行时间减小了约6%。     

改进的FCM在人脑MR图像分割中的应用

为解决模糊C-均值聚类(FCM)算法在图像分割尤其是医学图像分割中存在的计算量大、运行时间过长的问题,提出了一种改进方法。利用收敛速度快的K均值聚类法得到的聚类中心作为FCM算法的初始聚类中心,减少FCM算法收敛所需的迭代次数;优化参与迭代运算的数据集,减少每次迭代过程的运算时间。该方法使FCM算法的运算速度提高了将近10倍,而且不会影响算法的分割效果。     

一种基于模糊核聚类算法的图像分类方法

聚类分析是数据分析的一个重要方法.通过引用核函数,将核方法应用到模糊C均值(Fuzzy c-Means,FCM)算法中,优化FCM算法的目标函数,使样本点被非线性变换映射到高维特征空间进行聚类,不仅改善了聚类效果,而且增强了算法对噪声的鲁棒性.在真实样本集上进行了仿真实验,分类结果证实了该算法的有效性和普适性,因而是一种较为简单和实用的图像分类方法.     

基于生物地理学模糊C均值聚类的图像分割算法

提出了一种基于模糊C均值算法和生物地理学优化算法的混合聚类算法(BBO-FCM).该算法结合了生物地理学优化算法的全局搜索和FCM算法快速局部搜索的特点,利用生物地理中的迁移算子来进行各解之间的信息共享,从而有效地克服了FCM对初始值敏感、易陷入局部最优等问题.将BBO-FCM算法用于图像分割,实验表明,新算法的聚类效果评价指数更好,聚类效果明显优于原始的FCM算法.     

一种基于Markov随机场的FCM图像分割方法

针对传统的模糊c均值聚类(fuzzy c-means,FCM)图像分割算法只考虑各像素自身的灰度信息而忽略其空间位置关系、去噪能力较差且计算冗杂的问题,提出一种基于Markov随机场的FCM图像分割方法.该算法以FCM算法为基础,采用Markov随机场来描述图像中像素间的邻域关系,并对聚类目标函数进行改进.实验结果表明,该算法分割效果好,效率高,去噪能力强,实时性好.     

用于图像分割的非局部空间约束的核FCM算法

图像分割是图像分析、图像理解的前提和关键,其结果直接决定着图像分析和理解的质量.模糊C均值(Fuzzy C-Means,FCM)聚类算法是一种常用的图像分割算法.然而,由于经典的FCM算法只考虑像素自身,从而对外围噪声比较敏感.因此,提出了一种改进的用于图像分割的FCM聚类算法.该算法通过利用核方法修改FCA-NLASC算法中的目标函数而实现,即用核距离替代FCA-NLASC中的欧氏距离,相应地得到核FCA-NLASC聚类算法——KNLASC-FCM聚类算法.利用提出的算法分别进行人工合成图像和实际图像的实验结果表明,当图像含有噪声时,与算法FCA-NLASC相比,KNLASC-FCM算法在主观视觉、客观量化两方面的评价中均具有更好的分割性能.     

基于小波变换与FCM的甲骨文字图像分割

针对传统FCM(模糊C均值)聚类算法及改进算法无法对背景有大片点状、片状斑纹以及字迹模糊的甲骨文字图像进行有效分割的情况,提出了一种基于二进小波变换与FCM聚类算法的甲骨文字图像分割算法.首先,采用二进小波变换模极大值点对甲骨文字图像进行边缘检测;然后,充分利用二进小波变换模极大值中的边缘信息,从而进一步修改FCM聚类算法中的隶属度函数.将实验结果与传统的FCM聚类算法及改进算法进行比较,证明了该算法能更有效地分割甲骨文字图像,具有更高的正确分割率.     

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.     

一种改进的彩色图像分割方法

介绍了一种融合多尺度形态学、蚁群聚类、模糊C-均值(FCM)聚类的新的彩色图像分割方法。该算法首先利用多尺度形态学提取图像边缘,再利用蚁群聚类算法的全局搜索性和鲁棒性的优点并结合边缘信息,确定聚类中心和聚类个数,将其作为FCM聚类的初始聚类中心和聚类个数,克服了FCM算法自身并不能确定聚类中心需要人为设定的缺陷。实验结果表明,该算法可以准确地分割出目标,是一种有效的图像分割方法。     

一种改进的彩色图像分割方法

介绍了一种融合多尺度形态学、蚁群聚类、模糊C-均值(FCM)聚类的新的彩色图像分割方法.该算法首先利用多尺度形态学提取图像边缘,再利用蚁群聚类算法的全局搜索性和鲁棒性的优点并结合边缘信息,确定聚类中心和聚类个数,将其作为FCM聚类的初始聚类中心和聚类个数,克服了FCM算法自身并不能确定聚类中心需要人为设定的缺陷.实验结果表明,该算法可以准确地分割出目标,是一种有效的图像分割方法.     

基于改进FCM算法的SAR图像分类

目的改进模糊C-均值FCM算法,并对SAR图像进行粗、细分类。方法对FCM算法从初始聚类中心、隶属度约束条件两个方面进行改进,并提出对SAR图像的粗、细分类。首先利用改进的FCM算法对图像进行聚类,然后在隶属度矩阵中设定阈值,对小于阈值的像素块进行进一步细分类。结果得到并验证了改进的FCM算法,该算法对图像进行分类的分类精度比传统的FCM算法要高。结论本算法既可以保持较高的精确度,又可保证较快的计算速度。     

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.     

基于自适应结构张量的FCM改进算法

针对传统模糊C均值聚类算法对图像特征描述单一,易受图像复杂纹理干扰而出现误分割的问题,提出一种基于自适应结构张量的FCM算法,并将其应用于图像分割.打破传统高斯滤波器在滤波方向和角度上所受限制,采用基于各向异性滤波的结构张量;引入图像边缘密度函数,用以衡量图像节点的平滑性,自适应地计算各向异性滤波函数所占比例;定义一种自适应结构张量相似性度量标准,用以计算图像中节点与聚类中心点的结构相似性,有效地代替了传统FCM中的灰度相似性度量标准;采用一种新颖的节点间距离度量公式来计算图像中节点与聚类中心点的差异.仿真结果表明,对结构复杂的图像,改进算法获得了更加精确的分割结果.     

多分辨分析和K均值聚类改进FCM图像分割

模糊C均值(Fuzzy C-Means,FCM)聚类广泛应用于图像分割,但FCM聚类中随机确定初始聚类中心容易导致图像的错误分割.为了避免这个缺点,提出一种用于图像分割的FCM聚类初始聚类中心的选取方法.该方法利用图像灰度-邻域均值二维直方图的峰值的个数确定图像聚类数目,然后对图像的低频子带图像利用K均值聚类得到FCM聚类初始聚类中心.实测图像的分割实验表明该方法具可行性.     

半监督模糊聚类及其应用

提出了一种拓展的半监督模糊聚类模型,给出求解这个模型的迭代公式.这种半监督聚类能够合理、有效地利用部分已标识样本的类别信息对未标识样本产生影响,从而提高半聚类算法的聚类效果.其隶属度和聚类中心的迭代公式具有和FCM算法一样简洁的表示.在黄瓜数据集上的聚类分析表明,新提出的半监督聚类优于未改进的两种半监督算法、FCM算法和线性判别方法.