基于微分进化的加权模糊C均值图像分割方法

提出基于微分进化和加权模糊C均值的图像分割方法.鉴于加权模糊C均值算法对初始值敏感、容易陷入局部最优的缺点,采用微分进化进行全局寻优,能够找到全局最优的模糊划分;考虑到欧氏距离的局限性,实验中引入特征距离,改善了图像分割效果.实验结果表明,该方法的收敛速度更快、稳定性更好,所获得的适应度值更高.     

基于改进模糊C均值聚类的图像分割算法

提出了一种基于模糊C均值算法和粒子群算法的混合算法.该算法利用PSO算法全局性和鲁棒性的特点,将PSO优化聚类结果作为后续FCM算法的初始值,有效地克服了FCM对初始值敏感,易陷入局部最优和PSO算法局部搜索较弱的问题.算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高.实验结果表明该算法具有较高的分割速度及其对噪声的较强的鲁棒性.     

结合空间信息的FCM脑图像分割

针对传统模糊C均值聚类算法(FCM)在图像分割时没有利用图像的空间信息而对噪声敏感、分割结果不够准确的问题,提出一种结合空间信息的FCM改进算法.该算法利用邻域像素间的灰度差异计算出邻域加权系数,并利用该系数对中心像素的隶属度进行更新,控制邻域像素对中心像素的不同影响;该算法还利用了快速FCM算法对图像进行初始分割.对MRI脑图像分割的实验结果表明FCM改进算法简单有效,具有较强的抗噪能力,能取得较好的图像分割结果.     

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.     

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。     

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.     

基于KFCM与SAPSO算法的图像分割

为了克服基于FCM算法的图像分割技术对噪声敏感和运算效率低等缺点,利用KFCM算法对于噪声的鲁棒性质,以及模糊退火算法Metropolis准则和粒子群算法相结合的智能全局搜索能力,改进了图像分割技术。实验表明:该算法具有一定的降噪和全局搜索能力,提高了运算速度及图像分割效果。该算法对于丰富图像分割研究具有一定的参考价值和指导意义。     

一种改进的利用空间信息加权的FCM算法

FCM(fuzzy c-means clustering)算法在图像分割中应用较为广泛,但由于其对噪声较敏感,所以只适合于分割噪声含量较低的图像.利用空间信息加权的FCM算法能够有效地抑制噪声却使图像的边缘变得模糊,造成边缘处分割的不准确.本文通过区分图像边缘点和内部点,在构造邻域平均灰度图像时区别对待,并对边缘点根据它与邻域的灰度关系进行补偿.实验结果表明,这种方法不仅能够有效地抑制噪声,并使边缘点的分割更准确,使分割质量明显提高.     

一种差分进化二维熵的KFCM图像分割算法

为改进传统模糊C均值(FCM)聚类算法在图像分割过程中存在线性不可分问题,使得样本与样本之间的差异小,出现处理能力弱的缺点,提出了一种将差分进化二维熵算法和核模糊C均值聚类相结合的图像分割算法,使用差分进化二维熵得到最优阈值,并用于FCM算法的初始聚类中心,解决了对初始值敏感和计算速度慢的问题,最后利用KFCM算法完成有效分割,实现了线性可分.经过实验验证,本方法运行时间短,得到了较好的分割结果.     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法(APSO)较强全局寻优、快速收敛的特点和模糊C-均值算法(FCM)对初始值敏感、容易陷入局部最优的缺点.提出一种基于自适应粒子群优化算法的模糊聚类算法(APFM).新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力.实验表明:新算法与单一的FCM和APSO算法相比聚类更准确,效率更高.