基于多尺度轮廓结构元素的多形状边缘检测

在图像边缘检测过程中,针对滤除噪声及有效保留图像边缘信息这对矛盾点进行了研究,给出一种基于多尺度轮廓结构元素的多形状边缘检测算法。该算法通过多次使用轮廓结构元素的开最大和闭最小运算操作滤除噪声,运算次数通过比较图像峰值信噪比确定,降低结构元素对边缘信息的影响;然后采用多形状多尺度结构元素提取图像边缘,并利用图像峰值信噪比控制结构元素尺度的选取。与经典边缘检测算法相比,该算法具有更强的去噪声能力,且能保留更多的图像细节。仿真实验表明,有区别地使用轮廓结构元素及多形状多尺度结构元素,能有效去噪并保留边缘信息。     

基于形态学多结构元多尺度的自适应边缘检测

数学形态学广泛应用于图像处理和模式识别领域;针对形态学单结构元在边缘检测中边缘信息丢失的问题,提出了用不同方向的结构元素对图像进行多尺度检测的自适应边缘检测方法;首先利用形态学高低帽运算对原始图像进行平滑处理,采用差分最大值确定结构元素的方向,利用形态学运算调整结构元素尺度,改进了数学形态学边缘检测算法;实验结果表明,与传统边缘检测算法相比,该算法在保持图像边缘清晰的同时.有很强的去除噪声能力.     

基于多主体技术和数学形态学的空间聚类算法

空间数据复杂多变、数据量庞大,且数据分析较为困难。为解决该问题,提出一种基于多主体技术和数学形态学灰度形态运算的聚类算法。将结构元素作为智能个体,Agent根据其所处空间位置环境的Moore Neighborhood值或VN Neighborhood值,采用OCC算子自主选择做灰度膨胀或腐蚀运算。实验结果表明,该算法具有较好的准确性、可靠性和灵活性,能对任意聚类形状进行快速聚类。     

基于数学形态学的带障碍约束的空间聚类算法研究

该文提出了一种基于数学形态学的带障碍约束的聚类算法。通过数学形态学的膨胀运算,进行连通区域的寻找,同时借助于进行膨胀运算的结构元素,确定障碍物与连通区域是否相交。算法与DBCluC算法不同的是:通过结构元素,大大减少了需要进行相交判断的点的数量,具有较高的时间效率。     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法，该方法先采用C均值聚类算法对含噪图像进行初步分割，再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点，可以灵活地用在基于多特征和多阂值的图像分割中，另一方面充分考虑了图像的区域信息，利用模糊熵最小作为准则，对c均值聚类算法初步分割结果的错分类点作了进一步的处理，克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明，本文方法在运算开销上只比C-均值聚类算法多4～6S，对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。     

基于模板聚类与综合的多模板快速定位算法

针对在一幅图像中定位多个模板的所有实例的情形，提出了一种基于多模板聚类和综合的快速目标定位方法。该方法首先使用带反馈的分级聚类算法对多模板进行聚类，并对每类模板用建立的数学模型综合出一个母板；然后，应用每类的母板在平移空间内搜索和匹配，且只在与母板相匹配的那些位置上才引导类内各子模板在该位置的匹配运算，最后用该算法对边缘图像进行了聚类、综合和匹配实验。实验结果表明，该算法在集成电路显微图像的多模板定位中是非常有效的。     

基于形态学多尺度修正的模糊C均值脑肿瘤分割方法

针对脑部核磁共振成像(MRI)图像因噪声、灰度不均匀、组织结构复杂及边界模糊不连续等造成肿瘤难以准确分割的问题,提出一种基于形态学多尺度修正的模糊C均值(FCM)聚类分割方法。首先根据邻域统计信息引入控制参数用于区分邻域中的噪声点、边缘点和区域内部点,结合空间位置信息建立像素与结构元素大小之间的函数关系;然后利用不同大小的结构元素对图像中不同类型像素进行形态学闭运算,消除对应于局部极小值的噪声干扰和非规则细节,而目标部分的区域轮廓位置基本保持不变;最后在修正基础上进行FCM聚类分割,避免FCM陷入局部极优和误分类,同时保持区域轮廓准确定位。与标准FCM、核FCM(KFCM)、遗传FCM(GFCM)、模糊局部信息C均值(FLICM)等改进方法以及专家手工勾画结果进行了对比,实验结果表明,该方法的过分割率和欠分割率较低,且与标准分割的相似度指数和JS值均较高,具有较好的分割效果。     

新的形态学图像降噪方法

提出一种新的基于轮廓结构(CB)元素形态学的多尺度图像降噪方法。考虑到图像在不同尺度下的特性,用基于轮廓结构元素形态学的多尺度算法滤除图像噪声,然后将不同尺度下的降噪图像加权融合在一起,从而得到最终的降噪图像。通过大量实验证明该方法能够有效去除多种不同类型的图像噪声,并在抑制噪声的同时很好地保护了图像的细节和边缘信息。     

多尺度的谱聚类算法

提出了一种多尺度的谱聚类算法。与传统谱聚类算法不同,多尺度谱聚类算法用改进的k-means算法对未经规范的Laplacian矩阵的特征向量进行聚类。与传统k-means算法不同,改进的k-means算法提出一种新颖的划分数据点到聚类中心的方法,通过比较聚类中心与原点的距离和引入尺度参数来计算数据点与聚类中心的距离。实验表明,改进算法在人工数据集上取得令人满意的结果,在真实数据集上聚类结果较优。     

基于形态学多结构基元的含噪图像边缘检测

为了研究基于多结构基元构成形态学结构基,提出了一种图像边缘检测算法.首先,定义由开-闭运算、以及闭-开运算加权组合形成复合形态学滤波器,应用该滤波器对图像进行滤波;其次,不同形状的结构元素能检测出不同方向和结构的边缘信息,对定义多方向结构元素以组成形态学结构基,应用此结构基对滤波后的图像进行边缘检测.通过仿真重建形成理想的图像边缘,仿真结果表明,应用于含噪图像边缘检测算法,使抗噪的MSE性能较"开-闭运算"方法减少了7.82%和6.38%,PSNR性能提高了14.68%和8.05%,在检测精度方面得到了连续和封闭的边缘信息,与经典算子检测算法比较边缘信息更清晰.     

Decomposing and constructing fuzzy morphological operations overα-cuts: continuous and discrete case

Fuzzy mathematical morphology is an extension of binary morphology to gray-scale morphology, using techniques from fuzzy set theory. In this paper, we will study the decomposition and construction of fuzzy morphological operations based on α-cuts. First, we will investigate the relationship between α-cuts of the fuzzy morphological operations and the corresponding binary operations. Next, we will review several ways to obtain fuzzy morphological operations starting from binary operations and α-cuts. The investigation is carried out in both the continuous and the discrete case. It is interesting to observe that several properties that do not hold in the continuous case do hold in the discrete case. This is quite important since in practice we only work with discrete objects     

一种有效聚类算法的研究和实现

提出了一个基于数学形态学的三维空间聚类算法。该算法通过闭合运算,将空间对象聚成类,一次完成三维空间聚类,可以快速处理非凸的、复杂的聚类形状。由于该算法基于数学形态学,所以易于实现其高性能并行算法。采用实例将算法与普通聚类算法进行了性能比较。     

Peer sampling gossip-based distributed clustering algorithm for unstructured P2P networks

Clustering, as an unsupervised learning method and an important process in data mining, is an aspect of large and distributed data analysis. In many applications, such as peer-to-peer systems, huge volumes of data are distributed between multiple sources. Analysis of these volumes of data and identifying appropriate clusters is challenging due to transmission, processing and storage costs. In this paper, a gossip-based distributed clustering algorithm for P2P networks called Efficient GBDC-P2P is proposed, based on an improved gossip communicative approach by combining the peer sampeling and CYCLON protocol and the idea of partitioning-based data clustering. This algorithm is appropriate for data clustering in unstructured P2P networks, and it is adapted to the dynamic conditions of these networks. In the Efficient GBDC-P2P algorithm, distributed peers perform clustering operation in a distributed way only through local communications with their neighbors. Our approach does not rely on the central server to carry out data clustering task and without the need to synchronize operations. Evaluation results verify the efficiency of our proposed algorithm for data clustering in unstructured P2P networks. Furthermore, comparative analyses with other well-established distributed clustering approaches demonstrate the superior accuracy of the proposed method.

     

基于节点数据密度的分布式K-means聚类算法研究*

P2P(peer-to-peer)网络分布式聚类算法是利用P2P网络上各个节点的计算、存储能力以及网络的带宽,将算法的时间复杂度和空间复杂度平摊到各个节点,使处理和分析海量分布式数据成为可能,从而克服传统基于单个服务器的集中式聚类算法在数据处理能力等方面的限制。提出一种基于节点置信半径的分布式K-means聚类算法,该算法通过计算节点上数据分布的密度,找到同一类数据在节点的稠密和稀疏分布,从而确定聚类置信半径并指导下一步的聚类。实验表明,该算法能够有效地减少迭代次数,节省网络带宽;同时聚类结果也接近集中式聚类算法的结果。     

基于三维直方图加权的模糊聚类图像分割方法

标准的FCM算法对大数据样本集进行聚类时极为耗时,而且对噪声比较敏感。针对其缺点,提出了一种基于三维直方图加权的模糊聚类图像分割方法,该方法考虑了图像像素点的灰度信息和邻域的均值信息及中值信息,其次考虑了样本空间中不同的样本点对分类的贡献不同。实验结果表明,该算法满足了图像分割有效性和实时性的需求。     

A Hybrid Intelligent Multiagent System for E-Business

The paper describes a new multiagent system with enhanced capabilities obtained through a hybrid of intelligent techniques. The processing in the model is handled by two types of agents: distributed agents and a central administrator agent. Localized processing at the individual agents is carried out using mathematical techniques and genetic algorithms. The central administrator agent dynamically obtains information about the problem domain from the Internet and maintains a knowledge pool using a clustering technique called the growing self-organizing map (GSOM). Distributed agents communicate with the central administrator agent if they need further knowledge about the problem domain to provide solutions to user-defined tasks. The approach integrates traditional mathematical, data mining, and evolutionary techniques with a multiagent system. The proposed system is implemented as a travel optimizer application for the e-tourism domain. Finally, the possibilities of integrating the proposed technique with currently available e-tourism applications to provide the customer with enhanced solutions are identified.     

基于膨胀算法的版面分析技术

论文提出了基于数学形态学的版面分析方法。该方法是以自底向上为主,同时结合了数学形态学的思想。论文提出的方法,利用数学形态学的膨胀运算和搜索算法,实现对复杂版面进行快速准确的分析。论文以名片版面图像作为测试样本,进行版面分析,取得了预期的效果。     

Classification of Fuzzy Mathematical Morphologies Based on Concepts of Inclusion Measure and Duality

Mathematical morphology was originally conceived as a set theoretic approach for the processing of binary images. Extensions of classical binary morphology to gray-scale morphology include approaches based on fuzzy set theory. This paper discusses and compares several well-known and new approaches towards gray-scale and fuzzy mathematical morphology. We show in particular that a certain approach to fuzzy mathematical morphology ultimately depends on the choice of a fuzzy inclusion measure and on a notion of duality. This fact gives rise to a clearly defined scheme for classifying fuzzy mathematical morphologies. The umbra and the level set approach, an extension of the threshold approach to gray-scale mathematical morphology, can also be embedded in this scheme since they can be identified with certain fuzzy approaches.

Spark环境下的并行模糊C均值聚类算法

针对聚类算法需要处理数据集的规模越来越大、时效性要求越来越高,对算法的大数据适应能力和性能要求更高的问题,提出一种在Spark分布式内存计算平台下的模糊C均值(FCM)算法Spark-FCM。首先对矩阵通过水平分割实现分布式存储,不同向量存储在不同节点;然后基于FCM算法的计算特点,设计了分布式和缓存敏感的常用矩阵操作,包括乘法、转置和加法等;最后基于矩阵操作和Spark平台特点,设计了Spark-FCM算法,主要数据结构采用分布式矩阵存储,具有节点间数据移动少和每个步骤分布式计算特点。通过在单机和集群环境下测试,算法具有良好的可扩展性,并可以适应大规模数据集,算法性能与数据量成线性关系,集群环境下性能比单机提高2~3倍。