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。     

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。     

一种改进的模糊C均值图像分割算法

针对传统的模糊C均值(FCM)图像分割算法效率较低和分割结果对噪声敏感等问题,提出了一种改进的模糊C均值图像分割算法,可以有效地根据图像灰度分布信息选取初始聚类中心,同时充分考虑了邻域像素对于聚类的影响.结果表明,该算法能够根据图像特征自动初始化合适数量的近似聚类中心,对噪声图像具有较好的分割效果.     

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.     

基于马尔可夫随机场和模糊C-均值聚类的DTI图像分割算法

传统的模糊C-均值聚类(FCM)算法只考虑了图像灰度信息,未考虑图像的邻域信息,抗噪性能不够理想.为了充分利用图像空间信息,提出一种结合马尔可夫随机场(MRF)的自适应加权FCM改进算法.该算法根据局部密度判断像素在其窗口邻域范围内的离散种类,将MRF空间约束场和隶属度场的权重根据像素离散种类进行自适应变化,在消除噪声影响的同时,尽可能保留弥散张量成像(DTI)的图像细节信息.实验结果表明:该算法可以准确分割DTI图像,得到边缘清晰且细节信息保留良好的分割结果,与FCM算法以及MRF和FCM融合算法相比,其分割系数至少提高了3%,分割熵至少降低了2%,分割聚类效果得到提高,且分割系数和分割熵都不易受噪声幅度的影响.     

一种基于一致性分片FCM的图像分割算法

针对传统FCM(fuzzy c-means)算法抗噪性差的问题,提出了一种基于一致性分片的模糊c均值聚类算法.为避免额外的空间邻域约束项带来的控制变量设置问题,该算法直接将FCM应用于图像片空间.为减弱空间邻域对图像边缘的模糊,采用基于置信区间的局部多项式交叉近似技术(local polynomial approximation and intersection of confidenec intervals,LPA-ICI)构造自适应形状一致性分片.在脑磁共振图像上的实验表明,与传统的FCM算法相比,该算法具有更高的分割精度和运行效率.     

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.     

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。     

基于空间邻域信息的FCM图像分割算法

提出一种基于空间邻域信息的FCM图像分割算法,该方法将目标函数中的距离定义为特征距离与空间距离之和,不仅反映特征距离,而且反映空间距离.将空间信息引入到传统FCM算法的目标函数中,建立了包含邻域信息的新的聚类目标函数,实现图像的分割.实验结果表明,新算法能够获得较好的分割效果和质量,同时具有较强的抑制噪声的能力.     

面向脑MR影像分割与偏置场修正的FCM方法

传统模糊C-均值(fuzzy C-means,FCM)算法以及结合空间信息的改进方法在分割脑磁共振(magnetic resonance,MR)影像时对噪声十分敏感,且无法消除脑MR影像中的偏置场。针对上述问题,提出一种面向脑MR影像分割与偏置场修正的FCM方法。该方法充分利用图像中的空间局部信息和非局部信息,分别构造出多局部信息模糊因子和非局部权重,在提高算法抗噪性的同时,尽可能多地保持图像细节;建立偏置场模型,以去除脑MR影像中的灰度不均匀性;将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中,以实现噪声和偏置场条件下的脑MR影像分割。实验结果表明,与其他方法相比,所提方法对脑MR影像中的噪声具有更强的抑制能力,且能够有效消除偏置场对脑MR影像分割的影响,具有更优的分割性能。     

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.     

基于二维直方图的改进的PCM聚类分割方法

相对于模糊C均值算法,可能性C均值(PCM)聚类方法具有更好的抗干扰能力.提出一种基于二维直方图的改进的PCM聚类图像分割方法,该方法除了考虑图像的点灰度信息外,还考虑像素点的邻域相关信息,利用改进的PCM聚类算法得到各象素点的隶属度对图像进行分割.实验表明,该方法能够对噪声图像有效地进行分割,具有较高的鲁棒性.     

改进的基于ASFCM婴幼儿脑部MRI分割算法

在诸多FCM的改进算法中,ASFCM算法表现较好,该算法改变空间惩罚项结构,使目标函数连续,并且具有自适应的参数,但会出现无法抑制婴幼儿脑部MR图像噪声较大的问题.为了解决这个问题,在ASFCM算法基础上融合非局部权重和核函数思想,提出一种改进的ASFCM算法(KNL-ASFCM).采用本文算法,FCM,RFCM和ASFCM算法对加入不同种类和强度噪声的临床婴幼儿脑部MR图像进行实验.分析结果表明:本文算法的分割准确性和噪声抑制能力比其他三种算法均有一定的提高,对婴幼儿脑部MR图像分割问题具有明显优势.     

FPCM算法在彩色图像分割中的方法研究

在改进模糊c均值聚类（MFCM）算法基础上提出模糊可能性c均值聚类（FPCM）算法的图像分割方法,并将FPCM算法应用在彩色图像分割过程中．FPCM算法是FCM聚类算法和MFCM算法的扩羼衍生．MFCM算法是通过调整FCM算法的测量距离来减少标签像素受到其他图像像素的影响和在切分中抑制噪声效果来进行约束,从而使得成员变量没有最大约束值．FPCM算法是在MFCM算法基础上进行模糊化,加入了可能性和隶属度两个度量标准．通过彩色图像实验充分表明了FPCM算法在图像分割中的实际效果．     

一种基于分水岭变换和模糊C均值聚类的彩色图像分割算法

针对分水岭算法对在图像分割中容易产生过分割,提出了一种基于分水岭变换和模糊C均值(FCM)聚类算法的彩色图像分割算法。该算法先对图像进行分水岭分割,再对分水岭产生的过分割进行聚类合并。在合并过程中采用区间差异度和区域面积来确定模糊C均值聚类个数。该算法的优点是解决了分水岭变换算法的过分割问题的同时解决了模糊C均值聚类算法的初始值以及聚类中心难以确定的问题。实验结果表明,该算法可以准确地分割出目标并应用到自动分割系统中。