聚类中心的初始化方法

本文对用于聚类中心初始化的势函数的几个参数选择问题进行了讨论,给出了这些参数的两种形式。同时提出了一种新的使用密度函数法进行聚类中心初始化的方法,进行了一组对比实验,得到了令人满意的结果。     

基于SLIC超像素粒化的粗糙熵图像分割算法

粒化是粗糙熵阈值化算法的重要步骤,针对图像预处理的粒化方式不同,采用一种基于简单线性迭代聚类(SLIC)超像素的粒化方式.利用SLIC超像素算法的亮度相似性和空间相邻性将像素分为信息粒,在该粒度下构造了图像目标和背景的上下近似集及其粗糙不确定度.在此研究基础上,设计了粗糙熵阈值化分割算法.实验定性和定量地比较了本文算法...     

基于信息能量的圆形直方图断点选择及阈值化和彩色图像分割方法

运用彩色图像色调、饱和度、强度（HSI）模型的H分量进行彩色图像阈值分割是一个新的彩色图像阈值化方式。考虑到H分量是一个圆形直方图，将圆形直方图断开为线性直方图，然后采用线性直方图阈值分割法进行阈值选取是一种有效途径。在信息论中，信息能量是Shannon熵的对偶，首先引入线性概率分布的累积分布信息能量概念，基于此来确定圆形直方图的断点；然后给出线性直方图上的信息能量阈值法，并基于此实现H分量圆形直方图的阈值选取。相比于基于对数运算的Shannon熵阈值选取准则，基于平方运算的信息能量阈值选取准则具有表述简单、运算速度快的优点。     

基于累积剩余信息能量的图像阈值分割法

Shannon定义的信息熵是一种度量信息不确定性的方式，Onicescu定义的信息能量是一种度量信息确定性的方式，信息能量与Shannon熵呈现一种对偶关系。累积剩余熵是使用累积分布函数替换Shannon熵的概率分布函数来度量信息不确定性的方式，基于此，提出一种新的度量信息确定性的方式——累积剩余信息能量，并将累积剩余信息能量应用于图像的阈值分割。为了克服累积剩余信息能量自身存在的计算复杂、效率低的缺点，使用递归算法提升图像阈值分割的运行速度。与经典的最大熵阈值法等相关阈值分割法的对比实验结果表明，所提方法对于自然图像与细胞血涂片图像分割均具有一定的优越性。