利用小波和分层聚类进行彩色图像分割

提出了一种有效的基于颜色和位置相关信息的图像分割方法。图像以块为单位进行划分，在YUV空间，提取块的颜色特征，并对每小块进行小波变换，获得其小波能量特征。将颜色特征和能量特征作为每小块的特征向量，采用分层聚类的方法进行区域的合并。该方法在聚类过程中考虑了小块的位置关系，并能最终自动确定聚类的类别数。     

基于颜色量化和密度峰聚类的彩色图像分割

彩色图像分割是簇绒地毯数字化制造的关键技术,图像的分割质量直接影响到后续的图像处理。为解决地毯的彩色图像分割问题,针对人眼在RGB颜色空间中感知不均匀的特性,提出了一种基于颜色量化和密度峰聚类的彩色图像分割算法。基于Lab颜色空间进行颜色量化,在HVC颜色空间中用NBS距离来衡量人眼对颜色差异的感知程度,采用改进的密度峰聚类算法自动确定聚类中心,从而分割地毯图案。实验结果表明,该算法能在不影响人眼感知的前提下得到颜色种类少且边缘清晰的地毯分割图像。     

基于核模糊聚类的彩色图像色彩-纹理分割方法

提出了一种利用色彩-纹理综合特征进行彩色图像分割的新方法。首先利用HSI色彩模型提取图像的色彩信息,其次,采用与方向无关的Gabor变换对彩色图像的强度信息进行处理,提取图像的纹理基元。根据上述过程所获得的色彩-纹理特征,采用核模糊聚类方法实现彩色图像的自动分割。实验结果表明,所提出的方法综合利用了图像的色彩、纹理信息,使彩色图像的分割结果更准确。     

基于改进的直觉模糊核聚类的图像分割方法

针对噪声图像模糊性的本质，提出了基于改进的直觉模糊核聚类的图像分割方法。采用直觉模糊集描述噪声图像包含的不确定性信息，将图像的灰度信息转换到直觉模糊域进行处理；将模糊核聚类拓展为直觉模糊核聚类，在图像的直觉模糊域进行聚类；通过高斯核函数和欧氏距离分别对像素8-邻域的灰度和空间信息进行建模，综合平衡灰度和空间信息对聚类的作用，并将其作为惩罚项加入到直觉模糊核聚类的目标函数中；通过梯度下降法，推导了迭代求解算法；通过典型的合成图像和自然图像分割实例，验证了所提算法的有效性和鲁棒性。     

基于自适应邻域的核密度动态目标分割方法

经典的核密度估计背景模型使用固定的背景样本邻域来抑制背景运动形成的伪目标,无法适应不同背景的运动规律,导致不能抑制同一拍摄场景中所有背景运动形成的伪目标。因此在经典核密度估计的背景建模基础上,使用图像配准技术,能实现对不同运动背景区域的邻域尺寸自适应选择,并且在同一拍摄场景中可适应更多的背景运动类型,抑制更多类型的伪目标。实验结果证明,该方法对大部分由背景运动导致的伪目标有很好的抑制作用。     

基于小波变换和KFCM的彩色图像分割

提出一种将小波变换和核模糊C均值聚类算法相结合的快速彩色图像分割算法。利用小波变换的多分辨率特性,在分辨率最大尺度上的LL子带进行均值漂移聚类,快速获得初始粗分割结果,在其基础上进行模糊核聚类分割,将上一层的结果用于下一层的初始化,重复至最低分辨率后用最小分类器对原始图像进行最终分割。实验结果证明,该算法分割速度快,对自然彩色图像的分割结果优于模糊C均值算法和均值漂移算法。     

基于图像纹理和小波变换的聚类分割方法

针对纹理图像,本文提出了一种基于图像纹理特征的非学习分割方法。采用小波变换和快速k-means聚类分割算法,减少了整个处理过程的运算量。为了保证分类算法的精确性,运用了总体流量变化最小（Total Variation Flow）[1]非线性去噪方法对图像进行预处理,从而将减小图像噪声污染带来的分割误差。在图像特征的提取上,运用Gabor滤波器原理生成滤波空间,并让图像通过滤波空间而生成特征向量空间。通过制定一个快速寻优策略,从而达到分割图像的目的。     

基于去降Mallat离散小波变换的彩色图像分割

该文针对Mallat快速离散小波变换,提出了一种利用变换平移不变性的离散小波变换的彩色图像分割方法。首先对原始图像进行平移不变性的小波变换,然后提取颜色和纹理特征,并采用k均值算法进行分割。实验表明该方法对纹理图像和彩色自然图像都具有较好的分割效果。     

基于最大熵的模糊核聚类图像分割方法

传统聚类算法易陷入局部极值,在数据线性不可分时分类效果较差。为此,提出一种基于最大熵的模糊核聚类图像分割方法。采用最大熵算法对原始图像进行初步分割,求得初始聚类中心;引入Mercer核函数,把输入空间的样本映射到高维特征空间,并在特征空间中进行图像分割。实验结果表明,该方法能减少迭代次数,使分类结果更稳定,从而较好地把目标从背景中分割出来。     

基于改进的K均值聚类彩色图像分割方法

提出了一种改进的K均值聚类图像分割方法。针对彩色图像的像素特征,利用Ohta等人的研究成果,选取能有效表示彩色像素特征的彩色特征集中的第一个分量作为图像像素的一维特征向量,用来替代经典K均值聚类图像分割中的灰度．大大降低了运算量。基于粗糙集理论的算法,求出初始聚类个数与均值。选用对特征空间结构没有特殊要求的特征距离代替欧氏距离,应用改进的K均值聚类算法对样本数据进行聚类,从而实现对彩色图像的快速自动分割。实验表明,该图像分割算法可有效提高图像分类的精度和准确度,并且运算代价小．收敛速度快。     

基于空间模式聚类的彩色图像分割

采用了一种基于空间模式聚类的方法,它将图像中的每个像素看成是一个模式,每个模式既体现了所代表像素的空间信息,又包括了像素的颜色信息。这样,对像素的聚类,转变成为对模式的聚类,聚类过程考虑了彩色图像空间中的三个颜色分量。经过实验,此方法能够比较好的对一些彩色图像进行聚类图像分割。     

基于均值漂移和小波变换的彩色图像分割方法

提出一种新的彩色图像分割算法,该算法利用均值漂移算法进行初始分割,利用其分割结果确定模糊C均值聚类(FCM)算法的初始聚类中心和聚类数目,以提高FCM算法的收敛速度;利用小波变换的多分辨率特性,实现图像由粗到细的图像分割。     

基于K均值聚类的彩色图像快速分割方法

为克服K均值聚类算法大幅图像分割时运算代价太大、耗时长等问题,论文在K均值聚类算法的基础上,结合块矩阵、查找表技术提出了一种快速彩色图像分割方法.对大量彩色图像的分割实验表明,新算法比传统的K均值聚类算法快了一个数量级,并且该算法产生了较好的分割结果.     

基于聚类和局部区域的彩色图像分割方法

针对现有图像多阈值分割方法存在的分割不够准确、计算复杂度较高等问题,利用Otsu多阈值分割的思想,提出一种基于聚类和局部区域的彩色图像多阈值分割方法.获取彩色图像的H分量直方图;在综合考虑以H分量划分的颜色范围的前提下对直方图中的H分量进行聚类,依次选取各类中的最大值作为对应局部区域的边界;分别搜索局部区域内的最小H分量值,将其作为彩色图像的分割阈值.实验结果表明,与现有方法相比,该方法具有较高的分割准确性和更快的计算速度.     

混合聚类彩色图像分割方法研究

提出了一种基于K-均值算法和EM算法混合聚类的彩色图像分割方法。首先将待分割的RGB彩色图像转化成YUV空间模型,然后将该图像分割成n小块,对每个块的颜色分量用改进的K-均值聚类算法进行聚类分析,最后用EM聚类算法对每个块进行聚类,分割源图像。对K-均值算法和EM算法的初始聚类中心引进了改进算法,加快了算法的收敛速度。并与相似的分割方法进行了比较实验,给出了详细的实验结果与分析。实验表明该方法分割速度快,效果好,具有较高的实用价值。     

基于多阶抽样谱图聚类彩色图像分割

针对谱聚类应用于图像分割时权矩阵的谱难以计算的实际问题,设计了一个图像多阶抽样谱图聚类算法.首先,给出了采样数定理及其证明,并推导出与聚类类别数和最小聚类数相关的最小采样数目;其次,根据最小采样数数目,对像素点进行均匀采样,并利用谱聚类对采样点进行聚类,设计一个罚函数,通过多次抽样,消除抽样对谱聚类模型稳定性的影响;最后,定义了像素点和类之间的距离,对剩余的点按距离最近原则进行聚类.实验结果表明了算法的有效性.     

基于小波分解和模糊聚类的图像分割方法

传统的FCM图像聚类法由于需要大量先验知识和聚类速度的原因,大大限制其在图像分割领域的应用.提出一种基于小波分解和模糊聚类相结合的图像分割算法,首先对图像进行小波变换,对于L空间得到的灰度图像利用小波多尺度分解的性质得到特征图像,利用此特征图像的一维灰度信息采用模糊C均值聚类(FCM)算法,并自动确定FCM算法聚类数和聚类中心从而完成聚类的无监督化,实现对经小波分解后的特征图像的高效快速分割.     

基于K均值聚类分割彩色图像算法的改进

基于人类视觉将图像分割成若干个有意义的区域是目标检测和模式识别的基础.应用K均值聚类算法对图像进行分析,分析了图像的空间、色彩以及纹理特征对聚类效果的影响,针对K均值算法的存在的过分割问题提出了一种修正方法,先基于空间、颜色和纹理特征分割图像,再基于色彩及纹理特征进行合并,解决了K均值聚类产生的过分割问题,并在区域合并时引入修正函数,抑制了图像中因场景明暗变化而产生的斑点.实验结果表明提出的聚类算法对图像分割效果有明显提高.     

基于分水岭的多目标核聚类图像分割

传统的聚类图像分割方法一般仅仅利用图像中的灰度信息。为了更好地利用图像中的区域和边缘信息,提出一种基于分水岭过分割的多目标模糊核聚类图像分割算法。该算法采用分水岭算法获得图像的过分割区域,采用多目标模糊核聚类算法对区域代表点和分水岭上的像素进行聚类。根据聚类结果将图像中的像素进行标记,得到最终的分割图像。实验结果表明,由于利用了图像区域信息,使得目标能够比较完整地从背景中分离出来。