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.     

一种基于模糊C均值聚类的图像区域分割方法

提出一种基于模糊C均值聚类的彩色图像区域分割方法。该方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征;然后,利用模糊C均值聚类方法进行聚类,利用提出的确定最佳聚类簇数的方法,确定聚类簇数、中心等参数;根据每个像素的隶属函度,将像素初步划归不同的组,利用连接原理对图像区域进一步分割,并提供了图像描述特征。实验结果表明,该方法分割效果很好。     

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.     

塔型模糊C-均值聚类图像分割方法

分割较复杂的二维灰度图像时 ,采用塔型模糊C -均值聚类 (PFCM)方法 ,由于该方法充分利用了图像的灰度信息和空间信息特征向量 ,因此比仅只利用图像的灰度信息来进行图像分割的图像信息熵分析法效果要好 .而且 ,在稳定性、收敛速度方面 ,该方法优于非塔型模糊聚类算法 .     

基于改进模糊C均值聚类与Otsu的图像分割方法

针对背景与前景颜色差别较小的原木图像分割效果不理想的情况,本文给出了模糊C均值聚类与Otsu相结合的图像分割方法。该方法首先以标准原木数据库为样本,之后使用模糊C均值聚类算法把背景与前景颜色差别较小的原木样本图像分割成2类,其次利用准则函数找出前景分割结果,最后把该结果作为Otsu算法的输入,对原木样本图像进行再次分割。实验结果表明,本文研究的算法比单独使用模糊C均值聚类算法、Otsu和同类算法有较好的分割效果和较高的分割准确率,边缘信息保留较好,平均分割准确率提高2个百分点。     

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.     

基于改进树种算法的模糊聚类图像分割

元启发式人工智能优化算法应用于模糊聚类图像分割一直是研究热点.树种算法(TSA)是一种比较有效的智能优化算法,但标准TSA中的固定判断参数ST影响算法的收敛速度.为此,提出了随迭代次数逐渐增大的变量,并且将步长因子构造相应的非线性递减函数,使得迭代初期侧重于树种的全局搜索而后期侧重于局部搜索,提高TSA算法收敛的精度和速度.将改进TSA算法用于模糊C均值聚类算法(FCM)聚类中心生成的过程得到基于改进树种算法的模糊聚类(ITSA_FCM),这一举措能有效地避免FCM陷入局部最优.改进的算法具备优异的聚类效果和较快的运行速度.     

基于改进粒子群的模糊聚类超声图像分割

医学超声图像由于存在斑点噪声等模糊和不确定性的特点使得分割一直是一个难题。模糊C-均值聚类算法是一种结合无监督聚类和模糊集合概念的技术,广泛应用于图像分割,但存在着受初始聚类中心和目标函数高度非线性影响,极易收敛到局部极小的缺点。将集群智能的粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验结果表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。     

基于改进模糊C均值聚类的弥散张量成像图像分割

为了避免随机选取初始聚类中心点的缺陷,利用最大最小距离的方法确定初始聚类中心点.实验结果表明,和传统的模糊C均值聚类(FCM)算法相比,所提聚类算法具有较高的稳定性和准确性,所分割的胼胝体图像边缘信息更加清晰.     

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。     

基于快速模糊C均值聚类的图像粗集分割

传统的模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但它有两个缺陷:一是收敛速度过慢;二是当图像的目标和背景像素拥有相近的灰度值,具有相似的隶属度,导致了图像边界区域的不连续和模糊.针对该问题,提出一种改进的算法,在快速FCM聚类的基础上,利用粗糙集理论中的上近似和下近似的概念来描述图像的目标和背景,引入粗糙熵的概念,选择合适的阈值,对图像进行精确分割.实验结果表明,这种算法可以达到满意的分割效果.     

基于多尺度模糊聚类与DGVF模型分割颈动脉超声造影图像

超声造影(contrast-enhanced ultrasound, CEUS) 图像在血管疾病诊断与治疗中有很高的应用价值, 其中通过提取颈动脉CEUS 图像中的血管边界对血管形态及弹性等属性进行测量具有重要意义. 由医生手工勾勒血管轮廓耗时耗力, 且重复性差、主观性强, 而传统计算机分割方法因受到图像中斑点噪声的干扰而存在鲁棒性差和初始化难两大问题. 首先, 结合多尺度模糊聚类方法与粒子群优化算法提取血管的粗略轮廓, 以此作为方向梯度矢量流(directional gradient vector flow, DGVF) 模型的初始轮廓; 然后, 对轮廓进行形变收敛至最终结果. 通过分割来自14例患者的48张颈动脉CEUS 图像的实验, 结果表明所提出的方法优于传统方法, 能自动、精确地提取颈动脉CEUS 图像中的血管边界.     

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。     

基于PSO的模糊C均值聚类算法

在分析模糊C均值聚类算法存在不足的基础上,提出了一种新的聚类算法:基于粒子群的模糊C均值聚类算法.该算法利用粒子群强大的全局寻优能力,不仅克服了传统的模糊C均值聚类算法对初始值敏感、噪声数据敏感、易陷人局部最优的问题,而且有较快的收敛速度.试验证明,这种算法是一种很有潜力的模糊聚类算法.     

基于视觉感知的模糊C均值聚类算法

针对传统模糊C均值聚类算法对结构复杂图像分割效果不理想的问题,提出一种基于视觉感知的模糊C均值聚类算法.首先,在分析视皮层神经元感受野性质的基础上,建立视神经元细胞响应函数来计算图像的结构特征.其次,定义一种斜坡函数从仿生学的角度来模拟人眼对相对亮度变化的感知,用来计算图像中像素点与聚类中心点之间的差异.所提模型充分考虑了邻域刺激对中心神经元影响的方向性、位置相对性和周期性,比较精确地描述了图像的结构信息,有效地抑制了噪声和复杂纹理的干扰.实验结果表明,本文算法克服了传统模糊C均值聚类算法的缺点,实现了具有复杂背景图像的精确分割.     

基于模糊C均值聚类的工业企业经济效益评价

基于模糊C均值聚类算法,以安徽省的16个城市为研究对象,通过Matlab软件进行求解分析,对安徽省工业企业的经济效益进行了评价.得出的结论是:合肥市和芜湖市企业经济效益较好,滁州市和安庆市企业经济效益属于中等水平,其余城市属于较差水平.同时,对评价结果进行了分析,在此基础上提出了合理的政策性建议.最后,对模糊C均值聚类算法提出了不断优化和拓展应用到其它领域的设想.     

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.     

基于遗传算法的直觉模糊C均值聚类算法

 针对一般直觉模糊C均值聚类算法在寻优过程中易陷入局部最优解的问题,利用遗传算法具备全局寻优的优点,提出了一种基于遗传算法的直觉模糊C均值聚类算法。在该算法中聚类中心为直觉模糊数,这使得遗传过程中个体信息变得复杂,进而增大了约束问题的处理难度。本文对产生的个体采用适时分段的归一化方法,很好地解决了该问题。仿真结果表明该算法所得聚类结果不仅准确而且更为细致。