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.     

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.     

改进的快速模糊C均值聚类的图像分割方法

传统的模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但该算法没有考虑像素的灰度和空间特征,对噪声和伪斑点图像不可能取得好的分割效果.提出一种改进的算法,在快速的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计构造新的隶属函数,对图像进行二次聚类分割.该算法具有以下优点:1)有效地抑制了噪声的干扰;2)减少了图像的伪斑点;3)把误分类的像素很容易地纠正过来.对两种类型图像的实验分割结果表明该方法对噪声和伪斑点具有很强的鲁棒性和对像素聚类的正确性.     

基于相似性度量的高分辨率SAR图像无监督分割

SAR图像中斑点噪声的存在给分割造成了严重的影响.为此,基于JSEG平台,针对高分辨率SAR图像的特点,提出了一种新的相似性度量,这也是该无监督分割算法的核心.该算法主要由预处理、纹理组合和区域生长三个步骤来完成.在纹理组合中,利用新的相似性度量标准,把预处理后的SAR数据通过计算映射成一组新的数据,这组新数据可初步表征图像的分割;最后利用简单的区域生长完成分割.实验结果表明,该方法充分利用了SAR图像的特征信息,能够准确实现对SAR图像的分割,并具有很好的稳健性.     

软件成本数据的相似性度量

软件成本数据常常表现为高维混合属性数据,传统的相似性度量已不再适用.文中通过建立软件成本数据的高维模糊C均值(FCM)聚类算法对数据相似性进行度量.首先,定义由序数属性到数值属性的初始映射;然后,通过建立改进的迭代高维FCM聚类算法对序数 数值映射进行修正,优化聚类效果;最后,利用得到的模糊划分矩阵对软件成本数据的相似性进行度量.实验结果表明,通过对聚类效果进行优化,文中定义的相似性度量能够提高软件成本估算精度.     

基于权重系数模糊C均值聚类

传统基于模糊C均值聚类图像分割算法易受复杂纹理和噪声干扰,无法准确分割图像。针对这一现象,提出一种基于权重系数模糊C均值聚类算法,并将其应用于图像分割中。算法定义权重系数矩阵,将每个像点的邻域信息引入到像点间相似性度量中,计算每个像点与聚类中心点的邻域相似程度,根据权重系数矩阵确定邻域中每个像点在邻域特征计算中所占权重,增强了算法对噪点和杂波的鲁棒性。实验结果表明,与传统模糊C均值聚类算法相比,该文算法获得更加精确的图像分割结果。     

全粒度聚类算法

聚类分析是数据挖掘与知识发现领域的一个重要研究方向.多数聚类算法中相似性是其核心概念之一,对象之间的相似性会被直接或者间接的计算出来.传统的相似性度量方法多是基于单一的粒度去观察两个被测对象.在人类认知过程中,通常采用多粒度来更合理有效地进行问题求解.本文借鉴人类的这种多粒度认知机理,提出一种新的相似性学习方法,称作全粒度相似性度量方法,基于此发展了一种全粒度聚类算法.而全粒度相似性度量从各个角度观察被测对象,进而会得到两个对象间更加真实的相似度.从UCI数据集中选取5组数据进行实验,最后通过与两种传统的聚类方法比较验证了全粒度聚类算法的合理性与有效性.     

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。     

一种采用新的相似性度量方法的共调控基因动态模糊聚类算法

针对基因间共调控关系的特点和现有共调控基因聚类分析方法的不足,提出一种基于广义信息论中二次互信息的广义相似性度量标准QMISM,并利用免疫遗传算法将高维样本映射到二维空间,进而实现动态模糊聚类和聚类结果可视化.对人工合成数据和真实的基因表达数据的实验结果表明,该算法能得到更好的聚类结果.     

融合结构特征的增强型FCM图像分割算法

为了使基于模糊C均值(FCM)聚类的图像分割算法对复杂图像更具适用性,将图像结构特征融合到增强型FCM算法.首先,对原始图像进行均值滤波,将滤波结果与原始图像进行线性叠加形成新的输入图像.其次,采用二维Gabor滤波函数提取新的输入图像的纹理结构特征,以此代替灰度特征来衡量节点间的相似性.最后,采用一种改进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,对结构复杂的图像所提算法获得了更加精确的分割结果.     

基于空间模糊聚类的图像分割优化算法

针对传统模糊C-均值(FCM)算法抗噪性能差的问题,提出一种新的基于空间模糊聚类的图像分割优化算法.该算法通过在传统FCM算法基础上加入图像特征项中像素间的空间位置信息,解决了传统FCM对噪声敏感的问题,增强了算法的鲁棒性.实验结果表明,对于添加5%Gauss噪声的图像,该算法可实现有效分割,分割效果显著优于传统FCM算法.     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值(FCM： Fuzzy C-Means)聚类算法应用于图像分割时, 因对噪声较敏感而达不到理想的分割效果。为此, 提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数, 提高对图像噪声的鲁棒性, 使分割的结果更加符合期望。实验结果表明, 该算法对噪声具有较强的抑制能力, 图像分割时能获得较好的分割效果。     

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.     

一种针对脑部图像分割强度不均匀性的改进方法

强度不均匀性是医学图像中常见的问题,对图像的精确分割提出了许多挑战,图像分割是计算机视觉和计算的基础步骤,提出了一种基于模糊C均值(FCM)的能量最小化方法,将全局聚类和局部聚类相结合,用于磁共振(MR)脑图像的偏场估计和分割。该方法将MR图像分解为两个分量作为全局聚类项的优点,充分利用了表征组织物理性质的真实图像和解释强度不均匀性的偏置场及其各自的空间特性。MR图像的分解描述了整个图像中偏移场的变化,其中组织边界的某些深层变化细节可能会丢失。该方法利用了图像局部区域的不同偏移场的局部聚类项,较好地处理了不同组织间强度的深刻变化。由于局部聚类方法对偏移场的分布缺乏全局控制,此文利用了全局聚类和局部聚类的优点,考虑了两者的结合。在该方法中,通过能量最小化过程同时实现了偏移场估计和组织分割。用FCM迭代优化能量最小化问题,通过真实图像和合成图像与相关模型的对比实验,证明了该模型在偏差校正和分割精度方面的优越性。     

基于快速全局模糊C均值聚类算法的脑瘤图像分割

针对经典模糊C均值聚类算法对初始聚类中心过于敏感的缺陷,提出一种快速全局模糊C均值聚类算法.该算法采用分阶段动态递增的方式选取初始聚类中心,避免了随机化设置导致的聚类结果稳定性差问题.实验分析表明,改进后的模糊C均值聚类算法在脑瘤图像分割中的聚类效果较好,多个数据集的聚类准确率也表明,快速全局模糊C均值算法的聚类稳定性明显提升.     

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。     

一种改进的路面裂缝图像分割方法

针对公路裂缝检测中的图像分割问题,运用机器学习领域的方法,以裂缝图像为研究对象,在深入分析经典K-Means聚类算法以及高斯混合模型（Gaussian Mixture Model, GMM）之后,提出一个利用全局K-Means和高斯混合模型来对公路裂缝图像进行分割的方法。该方法在全局K-Means聚类算法的基础上,采用改进策略,同时,将传统GMM的每一个概率分布,进一步再细分成单个的概率成分,在辅助变量计算过程中,采用EM算法。仿真图像和实际裂缝图像实验结果显示,本研究得到了比使用传统K-Means算法和普通GMM的分割方法精度更高、稳定性更好的分割结果。