基于模糊隶属度空间约束的FCM图像分割

针对模糊C均值(FCM)算法对噪声较为敏感,提出了基于隶属度空间约束的FCM图像分割方法,该方法将隶属度空间约束关系引入到FCM目标函数,在新的目标函数中,像素点的隶属度不仅仅与FCM标准目标函数有关,还与其领域像素点的隶属度有关。由于融合了图像像素点的空间信息,反映了领域像素点间的隶属度关联信息,因此该算法具有较强的杭噪性能。     

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。     

基于模糊隶属度函数的脑图像分割方法

为提高医学图像在组织边界不清晰以及灰度不均匀下的分割性能,提出一种基于多类样本间模糊距离的隶属度函数分割方法。通过磁共振序列测量确定反映磁共振图像脑部组织特性的映射图,经预处理后得到样本模糊标签;设计基于多样本类间模糊距离的隶属度函数确定各样本的隶属度,该隶属度的确定综合考虑了同类样本与不同类样本之间的空间距离,降低了同类样本之间的隶属度依赖;训练模糊支持向量机对三种主要脑组织进行分割。在脑图像公开数据集上的分割实验表明,改进算法可有效提高分割精度。     

利用包含度和隶属度的遥感影像模糊分割

目的 传统FCM算法及其改进算法均只采用隶属度作为分割判据实现图像分割。然而,在分割过程中聚类中心易受到同质区域内几何噪声的影响,导致此类算法难以有效分割具有几何噪声的图像。为了解决这一类问题,提出一种利用包含度和隶属度的遥感影像模糊分割算法。方法 该算法假设同一聚类对每个像素都有不同程度的包含度,将包含度作为一种新测度来描述聚类与像素间关系,并将包含度纳入目标函数中。该算法通过迭代最小化目标函数来得到最优的隶属度和包含度,然后,通过反模糊化隶属度和包含度之积实现带有几何噪声的遥感图像的分割。结果 采用本文算法分别对模拟图像,真实遥感影像进行分割实验,并与FCM算法和FLICM算法进行对比,定性结果表明,对含有几何噪声的区域,提出算法的用户精度和产品精度均高于FCM算法和FLICM算法,且总精度和Kappa值也高于对比算法。实验结果表明,本文算法能够抵抗几何噪声对图像分割的影响,且分割精度远远高于其他两种算法的分割精度。结论 提出算法通过考虑聚类对像素的包含性,能够有效抵抗几何噪声对图像分割的影响,使得算法具有较高的抗几何噪声能力,进而提高该算法对含有几何噪声图像的分割精度。提出算法适用于包含几何噪声的高分辨率遥感图像,具有很好的抗几何噪声性。     

空间约束和距离改进的FCM图像分割算法

针对传统FCM算法在图像分割应用中抗噪性差的问题,提出一种基于空间约束和子空间距离的模糊C-均值聚类算法。该算法在原FCM公式的基础上加入一个包含空间领域信息的约束项,使得整体上相邻像素点趋于同一类时,目标函数最小。并将原FCM的欧氏距离替换为点到聚类子空间的距离,以达到更精准的聚类效果。人造图像和自然图像的分割实验结果表明,该方法明显优于标准的FCM算法,具有很好的抗噪性能。     

结合模糊聚类算法的图像分割方法

在介绍聚类分析原理的基础上,比较了几种聚类分割算法,得出了模糊C-均值聚类方法在图像分割中的优势.最后,基于排列组合熵和灰度特征,结合模糊C-均值聚类算法对图像纹理进行分割.实验结果表明,该方法既能快速地分割图像,又具有较好的抗噪能力,分割效果较为理想.     

基于K近邻隶属度的聚类算法研究

经典模糊C均值聚类算法（FCM）基于欧氏距离,存在不同规模类簇不能正确聚类问题,针对此问题提出一种基于[K]近邻隶属度的模糊C均值聚类算法（KNN_FCM）。讨论了基于[K]近邻隶属度的粗糙C均值聚类算法（KNN_RCM）和粗糙模糊C均值聚类算法（KNN_RFCM）,此方法避免了传统粗糙C均值聚类算法（RCM）和粗糙模糊C均值聚类算法（RFCM）中阈值选择问题。将KNN_FCM、KNN_RCM、KNN_RFCM分别与FCM、RFM、RFCM在UCI数据集上进行仿真比较,结果表明新方法是可行、有效的。     

基于模糊C均值的图像分割

图像分割的质量直接影响后期的图像分析、识别和解释的质量。本文主要研究了基于模糊c均值算法的图像分割,它通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以达到自动对样本数据进行分类的目的。实验结果表明文中用到的图像分割算法对图像分割的效果均优于对比算法的分割效果。     

结合空间信息的模糊C均值聚类图像分割算法

提出一种结合空间信息的模糊C均值聚类图像分割算法.该方法将图像的二维直方图引入传统的模糊C均值聚类算法,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属.实验结果表明,该方法能快速有效地分割图像,并且具有较强的抗噪能力.     

一种基于模糊集的灰度图像阈值分割算法

提出了一种新的基于模糊集理论的图像直方图阈值分割算法。该算法首先把图像的直方图预分成目标参考区,背景参考区和模糊区。然后对位于模糊区的灰度级,逐一比较其与目标和背景区的相似度,以决定该灰度级的归属,并最终确定灰度阈值。仿真结果表明：此方法不但能不有效地对灰度图像进行分割,且与传统方法相比更具灵活性。     

结合免疫遗传和粗糙集的改进图像分割方法

以往的免疫遗传聚类算法都要事先设置聚类数及聚类中心,采取的是有教师学习的方式,对环境的适应性不太。结合免疫网络算法和免疫遗传分类,提出了事先通过一种无教师学习,确定聚类数及聚类中心的免疫遗传分类算法,同时在聚类分类的基础上运用粗糙集对图像进行分割。通过对人脑MR图片的聚类和分割实验,验证了该方法的有效性。     

基于改进模糊C均值的海面目标图像分割算法

提出一种图像分割算法,解决水面无人艇在执行目标跟踪与识别任务过程中的图像快速准备分割问题。首先使用均值滤波算法对彩色的海洋背景图像进行滤波,同时利用其非参数性得到图像的聚类中心和类别数,并以此作为初始化参数进行图像的模糊C均值聚类,在此基础上进行大津法Otsu二值化处理实现目标提取。使用BSDS500标准数据集和海洋背景图像对算法的分割效果及效率进行验证,与传统的模糊C均值算法、脉冲耦合神经网络算法、自适应遗传算法以及马尔科夫随机场算法进行对比的结果显示了该算法的有效性。     

基于知识粒度的图像分割新算法

为有效解决粗糙理论在边界域不能够变化因而无法适应图像信息复杂空间的相关性和不确定性的问题,提出基于变精度分层粒度模型的图像分割算法。以知识粒度为基础,引入分类误差精度,构造出具有不同置信阈值和分类质量的图像粒度结构;根据分割精度要求,确定单元粒度层,在该粒度层分析不同灰度级的重要度,进行相应的灰度核计算;通过差异度指数定义等价关系,实现相似区域合并,完成图像分割。分割实验结果表明,该算法降低了图像信息和时间的复杂度,提高了图像分割的并行性,为知识粒度在图像处理中的应用提供了新思路。     

FCM与马氏空间约束条件下的快速图像分割技术研究*

提出了一种FCM与马氏空间约束的快速图像分割技术.在FCM图像分割算法的基础上,引入了Markov 随机场用以描述图像分割中的空间约束信息,并通过多级级联的方式获得最后的图像分割结果.这样既克服了传统模糊C均值聚类算法只考虑图像中的数值特征信息,忽略像素间的空间约束关系的缺点,又最大限度地保证了分割算法计算的简单有效性.实验证明,与其他模糊C均值聚类算法相比,本文方法有更好的可靠性与有效性.     

一种融入局部信息的直觉模糊C-均值聚类图像分割算法

模糊C-均值(FCM)算法对图像噪声敏感,聚类过程中只考虑图像的数值特征信息而忽略像素间空间约束关系,同时单一隶属度并不能充分描述图像的不确定性,这使得基于FCM的图像分割不够准确.融入局部信息的改进FCM算法虽然对图像噪声有一定鲁棒性,但对图像细节保持不够,难以分割微小区域.针对上述问题,提出一种基于直觉模糊集的改进模糊C-均值(IFS_FCM)图像分割算法.该方法将直觉模糊集理论融入到FCM中,充分考虑图像的不确定性,同时在目标函数中引入空间邻域信息,使得该分割算法对噪声鲁棒性增强的同时还能保持图像细节信息.实验结果表明,IFS_FCM能获得更加理想的图像分割效果.     

基于混沌粒子群和模糊聚类的图像分割算法*

模糊C-均值聚类算法(FCM)是一种结合模糊集合概念和无监督聚类的图像分割技术,适合灰度图像中存在着模糊和不确定的特点;但该算法受初始聚类中心和隶属度矩阵的影响,易陷入局部极小.利用混沌非线性动力学具有遍历性、随机性等特点,结合粒子群的寻优特性,提出了一种基于混沌粒子群模糊C-均值聚类(CPSO-FCM)的图像分割算法.实验证明,该方法不仅具有防止粒子因停顿而收敛到局部极值的能力,而且具有更快的收敛速度和更高的分割精度.     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.