一种自适应的模糊C均值聚类图像分割方法

针对传统的模糊C均值聚类算法(FCM)在图像分割中对噪声十分敏感这一局限性,提出一种自适应的FCM图像分割方法。该方法充分考虑图像像素的灰度信息和空间信息,根据像素的空间位置自适应地计算一个合适的相似度距离来进行聚类分割图像。实验结果表明,与传统的FCM相比,该方法能显著提高分割质量,尤其是能提高对于图像噪声的鲁棒性和分割图像区域边缘的准确性。     

基于模糊率的FCM自适应图像分割方法

提出一种基于模糊率的模糊C均值自适应图像分割方法。该方法根据波谷波峰梯度检测法自动确定模糊聚类数目,利用模糊阈值法快速确定较为准确的初始聚类中心,建立包含特征信息和空间信息的新目标函数,实现图像的自动分割。实验结果表明,该方法的分割速度快、精度较高,具有较强的鲁棒性。     

一种有效抑制噪音的模糊C均值图像分割算法

提出一种能够有效抑制噪音的模糊C均值聚类算法,通过构造基于灰度-中值的空间信息和塔形结构减少噪音对聚类中心的影响,塔形结构的引入缩短了运算时间,通过自适应地选取隶属度阈值避免人为设定阈值的不灵活性,在图像分割时用中值图像代替源图像消除噪声点。仿真实验表明,该方法更加适合处理受噪音污染的图像,分割结果更加精确。     

基于纹理测度与自适应阈值的FCM图像分割算法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容.基于模糊C 均值聚类(FCM)的图像分割是应用较为广泛的方法之一,但其存在抗噪能力差、收敛速度慢等不足.本文以FCM 理论为基础,提出一种基于纹理测度与自适应阈值的图像分割算法.该算法首先根据图像局部相关特性,利用Laws 纹理测度提取图像特征,并进行图像的FCM 初分割;然后结合Otsu 准则(最大类间方差法),利用FCM 自适应确定阈值,并对初分割结果进行区域合并.仿真实验表明,该图像分割算法的分割结果与人类视觉感知系统具有良好一致性,其不仅能够有效抑制背景噪声,而且提高了图像分割速度.     

基于改进模糊聚类算法的路面裂纹图像分割

图像分割是路面裂纹识别的关键步骤,图像分割的效果直接影响路面裂纹的识别和分类。针对路面图像模糊核均值聚类算法中迭代结果容易出现局部最优的问题。提出一种改进的模糊核均值聚类算法,利用OTSU算法先获得最佳阈值,再通过该阈值得到各聚类的灰度均值,将这些均值作为聚类中心的初始值以实现模糊聚类算法。路面图像裂纹分割试验结果证明,提出的改进算法实现初始聚类中心的优化,避免算法出现局部最优,提高了分割效果,可以应用到路面裂纹图像分割的工程应用中。     

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.     

无监督模糊C均值聚类自然图像分割算法

提出一种基于无监督模糊C均值聚类的彩色自然图像分割算法。使用置信区间交集准则自适应得到Gabor滤波器中各个像素点对应的尺度,并以该自适应尺度为依据,计算相应的自适应方向、频率以及相位;使用该自适应Gabor滤波方法分别对各通道进行纹理分析得到相应的纹理图像。提出一种快速的基于多项式分割的方法对各个纹理图像进行分析,确定聚类数目,并使用无监督模糊C均值聚类算法得到最终的分割结果。实验结果表明,该算法能够很好地克服图像纹理对于分割结果的影响,有效区分目标与背景,分割结果具有较高的分割精度,是一种有效的自然彩色图像分割方法。     

自适应多阈值图像分割算法

本文提出了一种新的自适应多阈值图像分割算法.它首先利用势基函数对-维灰度直方图拟合,通过势函数聚类自动确定划分类数;然后在灰度共生矩阵的基础上,依据形状连通度准则,求得使形状连通度最大的一组分割阈值;最后按该组分割阈值执行多阈值图像分割.理论分析和实验结果都表明该算法较传统阈值分割算法优越,具有运算速度快、划分效果好、抗干扰性强的特点.     

一种基于支持向量聚类的图像分割方法

利用支持向量聚类分类准确、参数少、无监督学习的特点,提出一种基于支持向量聚类的图像分割方法。该方法首先对数据集分块并对每块进行SVC聚类,再取其簇内均值作为K均值聚类样本点,进行聚类,最后将得到的结果进行合并。实验证明该方法不但改变了传统分割方法中人为选取阈值参数的作法,而且受目标和噪声影响小,提高了图像分割的鲁棒性和效果,能够有效地进行图像分割。     

一种基于模糊聚类的快速二值化方法

通过确定阈值实现图像的二值化分割是一种重要且实用的图像分割技术.本文提出了一种基于模糊聚类的二值化方法.这种方法将模糊C-均值算法加以推广(GFCM)后,应用于图像的二值化分割.通过与Otsu阈值法的分割结果比较后表明,该方法的分割效果好,分割耗时少且适用性强.     

一种基于插值的图像分割方法

提出了一种新的基于插值的图像分割方法,采用自适应阈值方法,用局部最大类间方差法确定各个子图像的阈值,用一种新的插值法对阈值矩阵进行插值处理,使之成为与原图像像素数目相同的新矩阵,利用新的阈值矩阵对原图像进行二值化处理。结果表明,利用该方法具有很好的分割效果。     

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。     

改进的模糊C-均值聚类医学图像分割算法

针对模糊C-均值聚类算法分割图像时容易产生模糊边缘的缺点,提出了一种结合图像梯度和模糊C-均值聚类的图像分割方法.该方法利用图像梯度反映出来的目标边界,对由模糊C-均值聚类所获得的聚类区域进行分割,把因模糊性而划分到目标区域的像素点与目标区域进行分离,同时利用区域增长方法找出干扰区域并删除.将该算法应用到胰腺ERCP图像分割,实验表明,改进算法能够比较准确地分割出图像中的目标,减少因模糊聚类产生的模糊边缘.     

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.     

一种基于遗传算法的图像FCM分割方法

图像分割对于图像分析和图像理解有着极为重要的意义。提出一个基于遗传算法的图像分割算法，在充分利用遗传算法优异的全局搜索能力的基础上，该算法根据图像的灰度分布按照模糊聚类的分割策略实现图像的分割，并且根据预应力的隶属度阈值自动地确定聚类数目。理论分析和实验表明，所提出的算法能产生很好的分割效果，并能自动确定分割类数。     

一种自适应的多目标图像分割方法

图像分割是数字图像处理中的一个重要问题。提出了一种自适应的多目标图像分割方法。该方法改进了传统的最大类间方差法(OSTU方法)，并使用方差分解的方法自适应地确定图像中的最佳目标个数。采用遗传算法优化了阈值的求取。对样本图像的分割结果显示，此算法在分割速度和效果上都取得了较好的结果。实验证明，此方法能有效地对多目标图像进行分割。     

皮肤显微图像的自适应分割

提出了一种针对皮肤显微图像进行自适应分割的方法，其思想是：首先将RGB图像变化到HSI（Hue／Saturation/Intensity）空间；计算图像的S域标准差σ，以σ为判据，当σ较大时，采用最大类间方差法确定分割阈值，当口较小时，采用修正均值法确定分割阈值，最后用数学形态法进行图像后处理完成图像分割，从而解决了大动态范围图像标准差的图像分割。该方法算法简单、实用，实现了不同症状的皮肤显微图像的自适应分割。     

基于红外可见光图像配准的电力设备分割算法

电力设备故障会导致变电站大范围停电,造成巨大损失。根据电力设备运行时会发热的特点,提出一种基于红外可见光图像配准的电力设备分割方法,便于进行故障检测。该方法首先利用结构化随机森林对电力设备的红外和可见光图像进行边缘检测,构建可见光边缘图像的多尺度高斯金字塔,然后结合归一化互信息对红外和可见光图像进行配准,对红外图像进行Otsu阈值分割,结合配准结果分割出可见光图像中的电力设备。实验结果表明,该算法能精确地实现配准及分割,具有一定实用性。     

面向内容检索的彩色图像分割

稳健有效的图像自动分割是面向内容图像检索中的一个重要问题，适应内容检索的需要，提出了一种融合颜色，纹理特征，采用特征聚类的彩色图像分割新算法，该算法采用线性加权方式融合颜色，纹理特征，并依据图像功率谱分布自适应确定融合权值，它采用提出的基于编码代价的自淬火（self annealing)方法对特征空间聚类，该聚类算法具有可自动确定类别数目，对初始聚类中心选择不敏感的优点，将新算法有于分割多幅自然图像，实验结果证明了算法的有效性。     

SOFM模型在杂草图像识别中的应用

针对在杂草图像分割方面存在使用阈值分割需要选择分割阈值、图像分割精度不高等不足,本文结合超绿特征分割算法和SOFM网络,构造出一种杂草图像识别模型——G-SOFM空间聚类模型。该方法是一种无监督学习方式,不需要指定阈值,利用网络自组织、自竞争的特性,实现对杂草图像的分割。在对图像进行超绿特征处理之后,使用超绿特征的灰度和归一化两个特征向量,实现SOFM空间聚类。实验结果表明,改进的G-SOFM方法相比其他三种杂草图像分割算法的分割结果都有一定的提高,分别比HIS阈值分割、超绿特征分割、双阈值分割提高28%、20%、21%。本算法结合后期形态学去噪后,识别正确率可达94%。