一种支持视觉特性的彩色图像量化方法

彩色图像量化是数字图像处理的重要技术之一,支持视觉特性的彩色图像量化方法首先根据图像空间信息找出部分初始聚类中心,然后根据图像颜色信息找出其余的聚类中心,在聚类剩余的色彩过程中根据带权值的相似度动态地调整聚类中心。实践证明该算法既能最大程度保证图像的主导风格,又能突出细节,重建图像符合人的主观视觉感觉,是一种较好的色彩量化方法,具有一定的实用价值。     

一种模糊核聚类的彩色图像量化算法

提出了一种基于模糊核聚类的彩色图像量化算法。首先用中位切割算法对图像进行初始量化,然后依据NBS距离与人类视觉对颜色差别的定量关系确定初始聚类中心,最后结合模糊核聚类方法对Munsell空间的每个像素进行聚类以实现对颜色的修改,从而完成图像的量化。仿真结果表明:所提算法在量化数目相同的情况下,量化效果明显优于中位切割算法和模糊C均值算法。     

一种基于图像内容的自适应色彩量化算法

色彩量化是数字图像分析与处理领域的基本问题之一.笔者以K-均值聚类为基础,提出了一种新的自适应色彩量化算法,该算法首先依据图像内容确定初始聚类中心,并对所有像素进行归类处理;再结合图像局部区域平滑度,修改聚类中心颜色;最后对所有聚类进行分裂和合并运算,并生成量化图像.实验结果表明,该算法具有较好的色彩量化效果（即色彩量化误差较小）,整体性能优于K-均值聚类色彩量化方案.     

一种基于均匀颜色空间的色彩量化聚类算法

主要研究了将彩色图像重新量化为仅有几种颜色的色彩量化问题.将RGB非均匀颜色空间变换到CIE1976L*a*b*均匀颜色空间,并根据图像在L*a*b*颜色空间中的a*,b*取值范围来自动选取最初始的聚类中心,再通过K均值动态聚类算法和最近临准则得到最终的量化结果.实验结果表明,算法具有一定的实用性,量化效果也较为理想.     

基于视觉颜色聚类的彩色图像分割

根据视觉的颜色聚类特性，提出一种图像分割算法．根据从色彩空间(RGB)到(HLC)的变换公式和NBS颜色距离的概念，首先将彩色图像量化为256或更少量化级，而不使图像质量降低；然后依据NBS颜色距离的概念将色彩分类；最后，根据某种规则将颜色区域进行分块，并删除小的颜色块．给出了静物图像和自然景物图像的实验结果。     

基于改进k-均值聚类的纸币冠字号图像分割算法

针对传统彩色图像分割方法的局限性,提出了基于HSI色彩空间和改进K-均值聚类的图像分割方法,通过将彩色图像分解成三个相互独立的H、S、I分量,利用各个分量特点及其直方图确定聚类类别和初始聚类中心,在高饱和度区和低饱和度区分别聚类,并将聚类结果合并取交集,从而分割出目标区域.将该方法用于纸币冠字号码图像分割,经仿真验证,结果不受噪声和局部边缘变化的影响,分割效果得到明显提升,为后续冠字号准确识别提供了良好的基础.     

基于二次分水岭和近邻传播聚类的彩色图像分割算法研究与实现

利用特征散度普适能力强的优势,提出了基于二次分水岭和近邻传播聚类的彩色图像分割算法.算法通过二次分水岭算法预分割,提取区域中色彩向量数据点,利用特征散度构造相似度矩阵,运用近邻传播数据聚类,实现图像的分割.实验证明,算法较好地避免了聚类算法对初始条件的依赖性,降低了彩色图像大样本数据的运算量,与人的主观视觉感知具有良好的一致性.     

基于Mean—Shift聚类的色彩传递算法

针对当前色彩传递算法存在的传递效果不准确的问题,提出了一种基于Mean-Shift聚类的色彩传递算法.首先将输入图像和样本图像从RGB空间转换到LUV空间,在LUV空间对2幅图像进行Mean-Shift模糊颜色聚类分析;根据输入图像聚类域的统计信息,在样本图像中找到一个与统计信息最为接近的域作为该聚类域的匹配域;最后将隶属度向量引入色彩传递方程,实现图像间自动的色彩传递.实验结果表明,该算法较好地实现了彩色图像之间的色彩传递和灰度图像的上色处理,无需设定手动聚类数目,并且迭代过程较简单,色彩传递效果更好.     

基于图像色彩和纹理的SOM聚类和检索方法

作者根据图像的全局色彩和区域纹理信息,使用自组织映射神经网络的方法对图像内容进行聚类和检索.全局色彩在HSI空间使用区域累加的方法,避免了维数过大的问题.用区域纹理描述的方法解决了使用单一色彩带来的不准确性;自组织映射网络所特有的特征选择和无监督学习等特性,实现了对视觉相似图像的聚类.     

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.