基于扩展Meanshift电气设备发热故障区域提取方法

在红外电气故障监测中,设备过热故障区通常表现出高亮度等特点,然而现有的提取方法因红外图像固有的低对比度、边界模糊等特点容易引起提取区域范围增大。为此,本文提出了一种基于扩展的均值漂移聚类的红外图像故障过热区域提取方法,引入了基于邻域灰度的权重因子。同时,为了提升聚类效率,摒弃了传统均值漂移算法遍历整个红外图像平面进行迭代聚类的方法,融合了自高向低的聚类阈值分割机制,使得改进的均值漂移算法能快速地将故障区域像素进行聚类,实现红外图像中热故障区域的有效提取。实验结果表明本文区域提取性能优于目前现有的一些方法以及传统均值漂移聚类方法。     

基于MST框架的PCNN输电线路红外热故障区域提取方法

针对输电线路电气设备红外热故障检测,提出采用一种基于最大相似度阈值（Maximum Similarity Thresholding, MST）的脉冲耦合神经网络（Pulse-coupled neural Network, PCNN）红外图像热故障区域提取方法。在该方法中,利用脉冲耦合神经元对相似的邻域神经元同步点火特性,通过引入最大相似度阈值框架,简化了PCNN模型的阈值设置机制。同时,针对相似邻域神经元的同步点火特性,采用最小聚类方差设置连接系数,使得PCNN模型在自适应迭代下最终获取热故障区域。最后通过真实输电线路电气设备红外故障图像测试,验证了文中所提方法的有效性和适用性,为PCNN模型的推广应用奠定了基础。     

基于改进像素聚类算法的输电线路冰区识别方法

为了提高输电线路的防灾减灾能力,特别是防治冰雪灾害的能力,需要进行输电线路冰区自动识别方法和系统设计,提出基于改进像素聚类算法的输电线路冰区识别方法。对气象卫星遥感监测采集的输电线路覆盖区域的遥感图像进行图像处理,提取图像中的冰覆盖像素特征点,结合边缘轮廓检测方法进行输电线路覆盖区域的冰区边缘轮廓检测,对冰区覆盖区域的像素特征进行模糊C均值聚类处理,实现区域分割识别。仿真结果表明,采用该方法进行输电线路冰区识别的准确率较高,视觉直观效果较好,便于指导施工抢修人员进行现场排除和巡线检修。     

一种基于模糊C均值的图像超像素分割方法

在分析现有图像分割算法基础上,提出一种基于超像素的模糊C均值分割算法.首先利用像素间灰度和距离定义像素间相似度,从而循环迭代出图像的超像素;然后进一步提取每个超像素的小波能量特征并利用模糊C均值算法对该特征进行聚类.大量实验表明,提出的图像分割算法对噪声有一定稳健性,分割准确率高,并能有效抑制孤立点的影响.     

核空间自适应非局部均值鲁棒分割算法

为改善传统模糊C均值(FCM)算 法对噪声干扰下图像的分割效果,提出了一种基于核空间邻域信息和自适应非局部均值相结 合的图像鲁棒分割算法。首先,利用传统FCM聚类算法进行初始聚类分割,将 所得聚类中心作为改进算法的初始聚类中心; 其次通过自适应非局部均值算法对图像进行平滑处理,避免图像过度分割;然后对引入核空 间邻域信息的目标函数进行最优化求解, 获取聚类中心和隶属度的迭代表达式;最后对像素进行分类时,利用邻域像素隶属度对像素 进行进一步滤波处理。实验结果表明:本文的 改进算法与传统FCM聚类算法、核空间FCM(KFCM)算法、基于邻域信息的FCM(FCM S)算法和基 于邻域信息KFCM(KFCM-S)算法相比,改进算法对强噪声干扰下的图像具有较好 的鲁棒性,并且能够有效分割图像的目标信 息和背景信息。从几种算法进行聚类分割结果所对应的峰值信噪比(PSNR)也可以看出,本文 改进算法的PSNR更高。     

聚类分割的交互式遥感热红外图像模糊增强北大核心CSCD

交互式遥感热红外图像在边缘区域的像素呈现较强交互干扰,缺少必要区分过程,导致增强后的交互式遥感热红外图像视觉效果差、抗噪性能差、增强效率低。提出基于聚类分割的交互式遥感热红外图像模糊增强方法,采用模糊C均值聚类算法,对交互式遥感热红外图像聚类分割处理,对边缘区域特殊及弱小交互目标分割,进一步区分交互区域的干扰,缩短后期增强所用的时间。采用中值滤波方法去除交互式遥感热红外图像中存在的噪声,结合Sobel算子和二阶微分算子的拉普拉斯算子对去噪后的交互式遥感热红外图像进行锐化处理,通过图像去噪和图像锐化实现交互式遥感热红外图像的模糊增强。仿真实验可知,所提方法进行交互式遥感热红外图像模糊增强所获取的图像清晰度较高、抗噪性能较佳、增强效率较高。     

一种基于Ｃ均值的模糊核聚类图像分割算法

模糊核聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,已广泛应用于图像分割领域,但其算法对初值敏感,很大程度上依赖初始聚类中心的选择,并且容易收敛于局部极小值,用于图像分割时,隶属度的计算只考虑了图像中当前的像素探值,而未考虑邻域像素探间的相互关系,故对分割含有噪声图像不理想。故提出了一种改进的模糊核聚类图像分割算法,先通过数据约简,不损失数据聚类结构的前提下对数据进行挖掘,然后在模糊核聚类算法中引入特性核函数,将约简后的数据映射到高维非线性特征空间进行划分,最后再利用表征邻域像素的参数来修正当前空间像素的隶属度。实验结果表明,提出的算法较好地解决了模糊核聚类算法在局部极值处收敛和在迭代过程中出现停滞等问题,最终得到最佳全局聚类,迭代次数降低明显,并具有高鲁棒性、对噪声不敏感的特点。     

一种优化的FCM图像分割方法

结合粗糙集理论,利用像素邻域的空间信息,对图像色彩的分布进行了量化表示,并据此提出一种基于量化粗糙信息的改进图像分割方法,该方法使用局部量化粗糙度和待定算子来更新FCM算法中的隶属度函数,实现图像的初步分割,并针对初步分割后的小区域和相似区域,进行色彩区域的合并操作,来对分割结果进行优化。实验结果表明,相对于传统的模糊C-均值(FCM)聚类分割算法,提出的方法降低了时间复杂度,且具有良好的分割效果。     

一种新的红外目标提取算法

针对红外热图像普遍存在的目标与背景对比度差、边缘模糊等特点,提出了一种结合图像统计特征和模糊聚类的红外图像目标提取方法对红外图像进行迭代分块,通过计算统计特征度量函数的极值来确定种子区域,进而获得红外目标约束区域。利用模糊聚类对该约束区域进行有效的聚类划分,最终实现红外图像目标提取。实验结果表明,该方法能够准确的对红外目标进行提取,便于下一步的红外目标识别与跟踪。     

一种基于区域相似性的图像融合评价方法

本文提出一种新的图像融合客观评价方法.首先,利用模糊C-均值聚类算法（FCM）对图像进行区域分割,获取区域特征矩阵.通过降维处理,计算区域的距离,以此作为区域相似度.其次,以对应区域的特征向量元素相似比作为对应区域的权重.区域的边缘强度比值作为区域之间的权重.最终获得图像的相似度.实验结果表明这种相似性度量考虑了图像像素的局部关系以及区域的显著性,更加符合人类的视觉特征.     

基于标准差梯度的模糊边缘检测算法

红外图像的边缘检测是图像处理领域的难题之一。结合红外图像的特点,将最小误差原理推广到模糊域进而应用到红外图像的边缘检测上,提出了一种基于标准差梯度的红外图像模糊边缘检测算法。首先提出了一种基于标准差的梯度算子,将图像中潜在的边缘区域很好地区分出来;而后引入模糊最小误差阈值算法．根据此算法自适应提取了标准差梯度图像中的最优阈值,从而实现了红外图像的目标边缘检测。与传统的基于梯度的红外图像边缘检测算法进行对比实验,结果表明,该算法用于红外图像边缘检测能获得更好的效果。     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。     

融合对称特性的混合标签传递半监督直觉模糊聚类图像分割

现有的直觉模糊聚类算法应用于图像分割时,往往只考虑图像的像素信息,忽略了图像的几何特征和区域信息,使得分割效果不太理想。为了提高直觉模糊聚类算法的分割性能,提出一种融合对称特性的混合标签传递半监督直觉模糊聚类算法。该算法首先对图像进行对称轴检测获取图像的对称特性,接着利用图像的对称特性进行对称像素的标签传递并改进像素对聚类中心的直觉模糊距离测度,然后设计一种混合标签传递半监督策略,对所有像素进行隶属度的估计并将其作为监督隶属度进行引入,随后构建融合对称特性的混合标签传递半监督直觉模糊聚类目标函数,通过聚类获得最终的分割结果。两个彩色图像库上的实验结果表明,该算法能够将目标从复杂背景中完整的分割出来,分割性能优于对比算法。      

基于局部模糊熵与Otsu的图像阈值分割

传统的图像阈值分割方法对噪声和灰度不均匀敏感,且阈值的确定主要依赖于灰度直方图,未考虑图像中像素的空间信息。通过对含噪声图像像素属性的深入分析,提出了一种基于局部模糊熵和Otsu的图像阈值分割方法。局部模糊熵的滤波作用提高了算法的抗噪性,Otsu的自动阈值选取则提高了算法的可靠性。实验结果表明,该方法能自动、有效地选取阈值,分割效果优于传统的阈值分割方法。     

一种基于目标区域特征的红外与可见光图像信息融合方法

基于异源图像的信息互补关系, 提出了基于目标特征区域的小波变换融合方法。首先采用基于模糊C-均值聚类(FCM)的方法, 提取红外图像的目标特征区域, 用于异源图像目标特征区域的局部信息融合, 达到在可见光图像中加入红外目标信息的效果。其次以第一步融合的图像替换原有的可见光图像, 并采用小波变换的方法实现与红外图像的融合, 获得最终的融合图像。采用图像质量评价标准对本文算法和其他融合算法的实验结果进行分析对比, 证明所提出方法的有效性。     

基于粒子群优化非局部模糊聚类图像分割算法

为提高局部模糊聚类算法(WFLICM)对噪声图像 分割的抗噪性,克服模糊聚类图像分割算法对初 始聚类中心的敏感性及易陷入局部最优问题,在WFLICM算法的基础上提出一种基于粒子群 优化的融合 局部和非局部空间信息的模糊聚类图像分割算法(PSO-WMNLFCM)。首先,利用粒子群优化 算法的全局 寻优能力得到最优粒子,并以此粒子作为模糊聚类算法的初始聚类中心。其次,用像素的非 局部空间信息 替换模糊因子中的局部邻域值,产生新的目标函数。最后,由拉格朗日乘子法最小化目标函 数,得到隶属 度和聚类中心的更新公式,从而完成图像分割。仿真结果表明,PSO-WMNLFCM算法相比于 模糊局部聚 类(FLICM)算法、局部模糊权重(WFLICM)算法、非局部模糊聚类(NLFCM)算法、非局部模 糊聚类 (MNLFCM)算法、基于粒子 群的局部模糊聚类(PSO-FLICM)算法的划分系数提高了20.92%,20.51%,24.84%,1.44%,23.28%左右。     

结合多元信息聚类与空间约束的遥感图像分割方法

为了解决传统聚类算法对聚类表征特征量的依赖性以及定义的不完备性,结合遥感图像的数据的空间位置关系提出了一种结合多元信息聚类与空间约束的遥感图像分割方法。针对某一聚类数据,以若干数据点(多元)组合的方式遍历其所有数据点,并定义多元组合的互信息,以表征该聚类的类内相似性;通过计算类外像素对类内多元组合的互信息,刻画类间的非相似性。在此基础上建立类内相似性和类间差异性,然后结合两者之间的平衡关系建立目标函数,并将Potts模型扩展到目标函数以加入空间约束,最后通过最大化目标函数实现图像分割。对模拟及真实全色遥感影像分割结果的定性、定量分析表明:结合多元信息聚类与空间约束的遥感影像分割方法可以避免聚类表征特征量的定义,从根本上消除其对图像分割的影响,并充分考虑遥感数据的空间位置关系。      

基于小波变换的红外图像去噪

提出一种基于新型阈值函数的小波域红外图像去噪法,其阈值函数表达式简单且连续,既克服了硬阈值函数不连续的缺点,又克服了软阈值函数中估计小波系数与含噪小波系数间存在恒定偏差的缺陷。同时新的阈值函数还有效地利用了小波系数的成串性,即在小波系数的估计计算中考虑了邻域小波系数的大小。仿真结果表明,在去噪红外图像视觉效果和峰值信噪比两个方面,文中提出的去噪法优于已有的各种门限去噪法和Matlab-wiener2滤波算法。     

Rule-based automatic segmentation of color images

A rule-based segmentation algorithm for color images has been presented in this paper. The proposed strategy is similar to region growing algorithm where the seed points are automatically selected and grown. The similarity percents of neighboring pixels are calculated by means of fuzzy reasoning rules, and the merging of the pixels with regions is performed by comparing the similarity percent with the similarity threshold value. The algorithm does not require any prior knowledge of the number of regions existing in the image and decreases the computational load required for the fuzzy c-means (FCM). Several computer simulations have been performed and the results have been discussed. The simulation results indicate that the proposed algorithm yields segmented color image of perfect accuracy.