基于量子行为粒子群优化的软子空间聚类算法*

针对软子空间聚类算法搜寻聚类中心点容易陷入局部最优的缺点,提出在软子空间聚类框架下,结合量子行为粒子群优化(QPSO)和梯度下降法优化软子空间聚类目标函数的模糊聚类算法.根据QPSO全局寻优的特点,求解子空间中全局最优中心点,利用梯度下降法收敛速度快的特点,求解样本点的模糊权重和隶属度矩阵,最终获取样本点的最优聚类结果.在UCI数据集上的实验表明,文中算法可提高聚类精度和聚类结果的稳定性.     

结合空间信息的核FCM人脑MR图像分割

传统的模糊C均值聚类算法（FcM）广泛应用于图像分割。但FCM算法容易陷入局部最优,且对噪声敏感。提出用种子填充和形态学的方法对人脑图像进行颅骨剔除,用内核引导的距离代替欧式距离,并利用空间信息,提出结合空间信息的核FCM人脑MR分割算法。实验表明该算法有很好的分割效果,对噪声具有较强的鲁棒性。     

结合非局部均值的快速FCM算法分割MR图像研究

针对FCM算法分割医学MR图像存在的运算速度慢、对初始值敏感以及难以处理MR图像中固有Rician噪声等缺陷,提出了一种结合非局部均值的快速FCM算法。该算法的核心是首先针对MR图像中存在的Rician噪声,利用非局部均值算法对图像进行去噪处理,消除噪声对分割结果的影响;然后根据所提出的新的自动获取聚类中心的规则得到初始聚类中心;最后将得到的聚类中心作为快速FCM算法的初始聚类中心用于去噪后的图像分割,解决了随机选择初始聚类中心造成的搜索速度慢和容易陷入局部极值的问题。实验表明,该算法能够快速有效地分割图像,并且具有较好的抗噪能力。     

基于PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类（FCM）的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。     

基于MS-FCM算法的MR图像分割方法

针对传统模糊C-均值(FCM)聚类算法在分割低信噪比图像时准确性较差的问题,提出一种用于MR图像分割的改进算法MS-FCM。针对脑部MR图像相邻像素属于同一分类的模糊隶属度相近的特性,在迭代过程中对隶属度数据集进行滤波,以降低噪声对聚类精度的影响。模拟脑部MR图像和临床脑部MR图像的分割实验证明,该算法可以提高图像分割精度。     

基于概率模型的重叠子空间聚类算法*

针对现有子空间聚类方法处理类簇间存在重叠时聚类准确率较低的问题,文中提出基于概率模型的重叠子空间聚类算法.首先采用混合范数的子空间表示方法将高维数据分割为若干个子空间.然后使用服从指数族分布的概率模型判断子空间内数据的重叠部分,并将数据分配到正确的子空间内,进而得到聚类结果,在参数估计时利用交替最大化方法确定函数最优解.在人造数据集和UCI数据集上的测试实验表明,文中算法具有良好的聚类性能,适用于较大规模的数据集.     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域。但K-均值 聚类容易陷入局部最优,影响图像分割效果。针对K-均值的缺点,提出一种基于随机权重粒子 群优化(RWPSO)和K-均值聚类的图像分割算法RWPSOK。在算法运行初期,利用随机权重粒 子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部 搜索能力,实现算法快速收敛。实验表明：RWPSOK 算法能有效地克服K-均值聚类易陷入局 部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法(PSOK) 相比,RWPSOK 算法具有更好的分割效果和更高的分割效率。     

非局部降噪快速模糊C-均值聚类算法

传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。     

自适应的软子空间聚类算法

软子空间聚类是高维数据分析的一种重要手段.现有算法通常需要用户事先设置一些全局的关键参数,且没有考虑子空间的优化.提出了一个新的软子空间聚类优化目标函数,在最小化子空间簇类的簇内紧凑度的同时,最大化每个簇类所在的投影子空间.通过推导得到一种新的局部特征加权方式,以此为基础提出一种自适应的k-means型软子空间聚类算法.该算法在聚类过程中根据数据集及其划分的信息,动态地计算最优的算法参数.在实际应用和合成数据集上的实验结果表明,该算法大幅度提高了聚类精度和聚类结果的稳定性.     

基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割

为了更有效地对被噪声污染的脑部MR图像进行分割,提出了一种基于模糊核聚类和模糊Markov随机场的脑部MR图像分割算法。该算法在使用高斯径向基函数的核聚类目标函数中,引入了基于Markov随机场的补偿项,作为分割算法的空间约束。这种空间补偿项用Gibbs分布描述,实际上是一种归一化的核函数,其和用来度量灰度特征的核函数的形式是相似的,并且这种空间约束利用了分割结果的模糊信息。这种基于核函数和Markov随机场模型的算法克服了传统聚类以及核聚类算法的缺陷,不仅提出了更加合理的空间约束, 而且改善了原有的分割模型,因此可以得到更加分段光滑的聚类结果。通过对合成图像、模拟MR图像以及临床MR图像进行的分割实验以及和标准分割结果的比较表明,该算法优于相关算法,可以有效地分割被污染的MR图像。     

Enhanced soft subspace clustering integrating within-cluster and between-cluster information

While within-cluster information is commonly utilized in most soft subspace clustering approaches in order to develop the algorithms, other important information such as between-cluster information is seldom considered for soft subspace clustering. In this study, a novel clustering technique called enhanced soft subspace clustering (ESSC) is proposed by employing both within-cluster and between-class information. First, a new optimization objective function is developed by integrating the within-class compactness and the between-cluster separation in the subspace. Based on this objective function, the corresponding update rules for clustering are then derived, followed by the development of the novel ESSC algorithm. The properties of this algorithm are investigated and the performance is evaluated experimentally using real and synthetic datasets, including synthetic high dimensional datasets, UCI benchmarking datasets, high dimensional cancer gene expression datasets and texture image datasets. The experimental studies demonstrate that the accuracy of the proposed ESSC algorithm outperforms most existing state-of-the-art soft subspace clustering algorithms.     

基于小波图像融合算法和改进FCM聚类的MR脑部图像分割算法

针对很多基于模糊C均值(FCM)的图像分割算法存在对噪声敏感和分割轮廓不清晰等问题,提出一种基于小波变换图像融合算法和FCM聚类算法的MR医学图像分割算法。在图像分割系统的第一阶段,利用Haar小波多分辨率特性保持像素间的空间信息;第二阶段,利用小波图像融合算法对得到的多分辨率图像和原始图像进行融合,进而增强被处理图像的清晰度并降低噪声;第三阶段,利用改进型FCM技术对所处理的图像进行分割。在BrainWeb数据集上进行实验,与现有相关算法相比,提出的算法具有较高的分割精度,且对噪声的鲁棒性比较强,处理时间也没有明显增加。     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

DCT子空间的邻域加权模糊C均值聚类算法

模糊C均值聚类是一种有效的图像分割方法, 但存在因忽略空间上下文信息和结构信息而易为噪声所干扰的现象. 为此提出了DCT子空间的邻域加权模糊C均值聚类方法. 该方法首先结合分块的思想, 对图像块进行离散余弦变换(discrete cosine transform,DCT), 建立了一个基于图像块局部信息的相似性度量模型; 然后定义目标函数中的欧式距离为邻域加权距离; 最后将该方法应用于加噪的人工合成图像、自然图像和MR图像. 实验结果表明, 该方法能够获得较好的分割效果, 同时具有较强的抗噪性.     

基于多目标规划的模糊C均值聚类算法

模糊C均值聚类算法(FCM)是一种非常经典的非监督聚类技术,已被广泛地应用到医学图像分割。由于传统的FCM聚类算法在分割图像时仅利用了图像的灰度信息,未利用图像的空间信息,在分割叠加了噪声的磁共振(MR)图像时分割效果不理想。考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,引入多目标规划的概念,提出了一种新的,更加合理的应用图像空间信息的聚类算法。实验结果表明,应用该算法可以有效地分割含有噪声的图像。     

基于隶属度光滑约束的模糊C均值聚类算法

传统的FCM聚类算法未利用图像的空间信息,在分割叠加了噪声的MR图像时分割效果不理想。本文考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,增加了使隶属度趋向于分片光滑的约束项,得到了新的聚类算法。通过对模拟脑部MR图像和临床脑部MR图像的分割实验结果表明,本文提出的新算法比传统的FCM算法等多种图像分割算法有更精确的图像分割能力,并且运算简单、运算速度快、稳健性好。     

一种基于数据流的软子空间聚类算法

针对高维数据的聚类研究表明,样本在不同数据簇往往与某些特定的数据特征子集相对应.因此,子空间聚类技术越来越受到关注.然而,现有的软子空间聚类算法都是基于批处理技术的聚类算法,不能很好地应用于高维数据流或大规模数据的聚类研究中.为此,利用模糊可扩展聚类框架,与熵加权软子空间聚类算法相结合,提出了一种有效的熵加权流数据软子空间聚类算法——EWSSC(entropy-weighting streaming subspace clustering).该算法不仅保留了传统软子空间聚类算法的特性,而且利用了模糊可扩展聚类策略,将软子空间聚类算法应用于流数据的聚类分析中.实验结果表明,EWSSC 算法对于高维数据流可以得到与批处理软子空间聚类方法近似一致的实验结果.     

基于二维直方图的图像模糊聚类分割新方法

基于二维直方图的模糊聚类分割算法可以有效地抑制噪声的干扰。但是,FCM算法用于图像数据聚类时的最大缺陷是运算的开销太大,这就限制了这种方法在图像分割中的应用。该文根据FCM算法和灰度图像的特点,提出了一种适用于灰度图像分割的抑制式模糊C-均值聚类算法(S-FCM)。通过调节抑制因子α来提高分割速度和分类的正确率。实验结果表明,新算法对小目标灰度图像的分割效果优于FCM算法。