一种遥感图像海上船舶多级自适应聚类分割方法

采用一种改进型图像信息熵来表征目标区域的复杂程度,并以改进型信息熵和Otsu聚类算法为基础,提出一种遥感图像海上目标多级自适应分割方法。实验结果表明,该方法对于中分辨率遥感图像中相对复杂海域背景下的小目标图像分割有着较好的效果。     

基于山峰聚类的复杂背景下红外弱目标分割方法

在分析目标红外图像特征的基础上,利用山峰聚类对密度大样本的快速聚类特点,提出了一种基于山峰聚类的弱目标区域生长分割方法。该方法首先将二维图像在x和y方向分别进行投影并以此为样本构造数据网格,再采用改进的山峰聚类算法进行聚类,将求出的聚类中心作为种子点进行区域生长得到分割结果。实验结果表明,与传统方法比较,所提方法能自动选取种子点,投影后数据作为样本可有效提高运算速度,并能取得良好的分割效果。     

基于自适应初始值的FCM聚类图像分割

FCM聚类算法对初始值敏感,不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。将FEM算法用于图像分割处理时,初始值的选择是一个难点。文中提出了一种使用自适应初始值的FCM聚类图像分割算法,该方法利用图像的直方图特性建立候选聚类中心集,通过初始化准则函数检验候选集得到合适的聚类中心和聚类数目,并根据最大隶属度原则分割图像,得到了较好的分割效果。理论分析和实验表明文中方法收敛速度快,分割准确,自适应性很强。     

基于自适应初始值的FCM聚类图像分割

FCM聚类算法对初始值敏感,不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。将FEM算法用于图像分割处理时,初始值的选择是一个难点。文中提出了一种使用自适应初始值的FCM聚类图像分割算法,该方法利用图像的直方图特性建立候选聚类中心集,通过初始化准则函数检验候选集得到合适的聚类中心和聚类数目,并根据最大隶属度原则分割图像,得到了较好的分割效果。理论分析和实验表明文中方法收敛速度快,分割准确,自适应性很强。     

基于改进模糊核聚类的红外图像分割

针对传统模糊核聚类在红外图像分割方面存在的问题,提出了一种改进的模糊核聚类红外图像分割算法.在模糊核聚类的基础上引入了红外图像像素点的空间约束关系和邻域隶属度相关性,并定义了隶属度约束强度指数修正隶属度函数,可有效抑制红外图像分割结果中的噪声和野值.实验结果表明,与传统的分割结果相比,这种考虑邻域隶属度相关性的空间约束模糊核聚类算法可有效地对红外图像进行分割,准确完整地分割出了目标,达到了令人满意的结果.     

基于自适应滤波的快速广义模糊C均值聚类图像分割

快速广义模糊C均值聚类(FGFCM)在对高噪声图像进行聚类分割时,噪声容易导致聚类中心发生偏移,影响图像分割结果.为此,文中提出基于自适应滤波的快速广义模糊C均值聚类算法,用于图像分割.首先根据非局部像素的噪声概率自适应确定参数平衡因子,更准确地反映图像包含的空间结构信息.然后利用该平衡因子有效结合FGFCM中的线性加权和滤波图像与原始图像的中值滤波图像,由于得到的自适应滤波图像根据图像中像素为噪声的概率自适应确定滤波程度,因此可以提高算法对噪声的动态抑制能力.实验表明,相比模糊C均值聚类和FGFCM,文中算法在对噪声含量较高的图像进行聚类分割时,可以得到更准确的结果.     

红外图像分割的改进模糊C均值聚类方法

分类数和初始聚类中心的选取对红外图像的分割结果有较大的影响。传统的模糊C均值算法的分类数和聚类中心往往设定为经验值。为获得最佳的分类数,提出采用轮廓指标确定出较理想的分类数。针对传统的模糊C均值聚类算法对初始聚类中心比较敏感的问题,提出了基于直方图灰度值的最小最大距离法来确定初始聚类中心。实验结果表明该方法有效可行。     

基于区域生长法的医学图像分割

医学图像分割是CT图像的三维重建等后续操作的基础,分割的准确性对医生判断至关重要.本文深入研究区域生长算法,并用VC 实现了该算法.区域生长法可满足图像分割的多种要求,既提取CT图的边缘信息,又针对某一特定区域的病灶单独实行分割,缩短了手术计划的时间,实验结果为临床诊断提供有利的帮助信息,提高了手术导航的效率.     

基于遗传算法的自适应聚类图像阈值分割方法

文中针对复杂背景条件下的红外图像分割问题,将遗传算法引入最大类间方差法中,同时结合人类视觉感知原理,探讨了一种新的多阈值图像分割方法即基于遗传算法的图像阈值分割方法,该算法引入了一个自动判别且时空可变的目标背景条件和调整最佳分割区域的步骤,提高了分割算法的质量及鲁棒性,克服了传统阈值方法在图像分割中的局限性。通过计算机仿真实验,验证了该方法的有效性。     

参数自适应的可变类FLICM灰度图像分割算法

为解决传统FLICM算法需人为给定图像聚类数的问题,基于该算法通过聚类中心描述聚类的特点,设计以聚类中心为操作对象的分裂合并操作,以实现可变类图像分割.在此基础上定义分裂合并操作的接受率,不但能够有效避免算法陷入局部极值,促进其快速收敛,同时有利于参数阈值的自适应.分别利用所提出算法和传统ISODATA算法分割模拟图像和灰度纹理图像,对其结果的定性定量分析验证了所提出算法的有效性和普适性.     

结合近邻传播聚类的自适应图像分割

提出一种统一的图像自动分割模型。为了将图像分为颜色、纹理相近的不同的区域,提出了一个处理方法,具体分为两个步骤:首先,用改进的简单线性迭代聚类算法对输入图像进行预处理,即过分割;然后,用其低阶颜色矩表示这些区域的特征,并进一步利用近邻传播聚类算法将这些区域进行合并。在公开的数据集上进行了详细的实验,结果证明了所提算法的有效性和健壮性。     

基于蚁群和自适应滤波的模糊聚类图像分割

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM).首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量.实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高.     

自适应分层阈值的简化PCNN红外人体图像分割

针对红外人体图像中人体目标亮度分布不均匀且易与背景混叠等引起分割不完整的问题,提出一种自适应分层阈值的简化PCNN(SPCNN)红外人体图像分割方法.该方法摒弃了传统SPCNN模型中的动态阈值指数衰减下降机制,采用神经元点火区域与未点火区域的统计特性构建自适应分层阈值;同时结合神经元同步点火机制并引入最近邻均值聚类规则控制神经元点火,以达到较高的分割精度.在真实红外人体图像集上与几种图像分割方法进行对比的实验结果表明,文中方法能取得较优的分割效果以及较小的分类错误率,且与传统的SPCNN模型相比,文中的SPCNN模型参数的设置更加简化.     

基于改进Chan-Vese模型的电力设备红外图像分割

电力设备红外图像分割是电力设备模式识别和红外故障诊断的基础。Chan-Vese模型能够有效分割含强噪声和边缘模糊的图像,但其分割速度缓慢,并且在分割电力设备红外图像时不能有效消除无关背景。提出一种改进的Chan-Vese模型,采用多个初始轮廓,并采用二值函数代替距离函数初始化水平集函数;同时对Chan-Vese模型的梯度下降流提出改进,简化其图像数据项,并用一个高斯核函数取代长度正则项。改进的模型不仅方便计算,而且可以在迭代过程中采用更大时间步长,加快曲线演化速度。在对电力设备红外图像的分割实验中,证明了相比Chan-Vese模型,新模型分割速度明显提高,并且具备较好的消除无关背景的性能。     

自适应尺度的局部强度聚类图像分割模型

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。     

基于模糊聚类的图像分割方法

本文分析了模糊聚类在图像分割领域的应用,介绍了模糊集和聚类分析的作用,最后引出了模糊C均值聚类图像分割算法。     

基于多空间多层次谱聚类的非监督SAR图像分割算法

提出了一种基于多层区域谱聚类的非监督SAR图像分割算法（multi-space and multi-hierarchical region based spectral clustering, MSMHSC）。该算法首先在特征与几何空间求距离, 快速获得初始过分割区域, 然后在过分割区域的谱空间上进行聚类, 最终实现非监督的SAR图像分割。该方法计算复杂度小, 无须训练样本, 使用层次化思想使其能更充分地利用SAR图像各类先验与似然信息。在MSTAR真实SAR数据集上的实验验证了该算法的快速性和有效性。     

用于图像分割的并行自适应层次化网络模型

本文提出了一种新的用于图象分割的并行自适应层次化网络模型,该网络模型由并行局部特征提取与区域生成层、自适应统计聚类层和依据全局分布特性引导的决策层组成.各层次间的通讯由网络的协作机制来实现.该网络通过自适应非参数聚类方法,将局部灰度特征与全局随机场分布特征相结合,实现了非监督的图象分割.文中给出了该模型应用于室外自然景物的分割结果.实验表明,即使在自然景物环境变化的情况下,也能得到正确的分割结果.     

基于粗糙集相容关系的图像聚类分割

通过基于粗糙集相容关系的划分,介绍了一种新的图像聚类分割方法,首先,以不同聚类数情况下FCM的分割结果为依据构建信息表,在合并重复行后,图像被分成多个对象区域,然后,通过值约简获得各属性权值并以此为依据,计算各对象之间的差异度,进而通过差异度定义 相容关系,最后由 相容关系对对象论域进行划分,完成图像分割。该方法在人工生成图像和大脑MRI图像的分割中得到验证,实验结果表明,本文方法比FCM方法具有更好的分割准确性,对模糊边界区域的分割效果较好。