基于模糊聚类的图像分割研究进展

模糊聚类算法(Fuzzy C-Means,FCM)是一种基于软划分的聚类过程,已被广泛应用于机器学习、图像处理和计算机视觉等领域.虽然当前已涌现出大量关于FCM的图像分割算法,但仍然面临诸多挑战.本文将基于FCM的图像分割算法归纳为三类:基于空间邻域信息的FCM算法、基于直方图信息的快速FCM算法及基于维度加权的FCM算法.首先系统分析和阐述了各类FCM算法的研究现状,然后通过实验分析各类算法的性能,最后总结了FCM算法在图像分割中存在的问题以及将来的研究方向.

基于多尺度图像增强结合卷积神经网络的纸病识别分类

针对造纸工业中传统纸病识别分类依赖于特征描述子和分类器的选择问题,提出一种多尺度图像增强结合卷积神经网络的纸病识别分类方法。该方法利用多尺度形态学梯度增强纸病图像的边缘轮廓信息,突出缺陷梯度特征,然后利用卷积神经网络(CNN)学习纸病图像的特征并分类识别,从而实现纸病的准确识别分类。实验结果表明,该方法对纸病识别分类的结果明显优于HOG+SVM、LBP+SVM以及传统CNN方法,在Caltech101、KTH-TIPS以及本课题的数据集上的分类正确识别率分别达到98.44%、99.23%和99.64%。与现有纸病识别分类方法相比,本课题方法不需针对各种纸病进行缺陷特征提取和特征描述,能快速实现纸病的准确识别分类。

基于组合隶属度的快速模糊聚类算法

为了改善模糊C-均值聚类算法(FCM)对噪声图像的分割效果,Stelios等提出了鲁棒性的模糊局部C-均值聚类算法(FLICM),通过引入模糊因子,充分利用邻域像素的灰度信息和空间信息,提高了算法对噪声的鲁棒性,但因每次迭代必须计算邻域像素到聚类中心的距离,导致耗时高、效率低.针对该问题,提出了基于组合隶属度的快速模糊聚类算法,通过构造组合隶属度函数,对迭代中的隶属度矩阵直接进行滤波处理,避免了计算邻域信息耗时较高的缺点,组合隶属度函数不仅考虑了隶属度的局部信息,而且考虑了隶属度的空间信息,在确保算法对图像分割精度的前提下,降低了算法的时间复杂度.实验表明,基于组合隶属度的快速模糊聚类算法可在较短时间内完成高精度的图像分割.

基于快速SLIC的图像超像素算法

针对SLIC(Simple Linear Iterative Clustering)算法在超像素聚类过程中耗时较长的缺陷,提出一种基于快速SLIC的图像超像素算法。该算法首先剔除在颜色空间上与聚类中心相似度较低的像素,从而仅用部分近邻像素更新聚类中心,以确保聚类中心快速达到稳定并阻止误差传播,提高边缘命中率;其次,在初始化网格后,将每个超像素的边缘像素视为不稳定像素,将超像素的非边缘像素视为稳定像素并保持稳定像素的类别不变;最后,通过对不稳定像素进行迭代标记来实现快速超像素图像分割。在MATLAB环境下分别对所提算法与6种对比算法进行测试,在超像素个数相同的情况下,所提算法在BSD500数据集上与经典的SLIC算法相比分割误差率降低5%,分割精度提高0.5%,运行时间减少0.18 s。实验结果表明,与主流的超像素算法相比,所提算法在提升超像素分割质量的同时能够有效降低算法的计算复杂度。

基于广义Ⅱ型模糊聚类的图像分割算法

尽管广义Ⅱ型模糊C均值聚类算法将Ⅱ型模糊集引入到模糊C均值聚类(FCM)中以提升算法对复杂数据的分类性能,然而该方法忽略了数据的空间分布信息,导致算法在图像分割中的鲁棒性较差.针对该问题,提出一种基于邻域信息的广义Ⅱ型模糊C均值聚类算法.该算法利用高斯函数作为语言模糊项参数,并利用语言模糊项参数构建带有模糊因子的二级模糊隶属度函数,通过整合图像的空间邻域信息以优化目标函数,最后通过迭代寻优以实现图像的准确分割.实验结果表明,该算法能够利用二级模糊隶属度实现更好的图像分割效果,分割结果优于改进的FCM算法及广义Ⅱ型FCM算法.

模糊局部信息C-均值聚类算法的修正

针对模糊局部信息C-均值(fuzzy local information C-means,FLICM)聚类算法因其局部空间信息的局限性而导致图像分割结果存在误差的问题,改进FLICM算法的相似度测量因子,并考虑邻域空间距离、灰度信息以及灰度方差对分割效果的影响,提出一种用于图像分割的模糊局部信息C均值的修正算法(WFLICM).实验结果表明,WFLICM能够估算邻域像素的衰减程度,提高图像的分割性能,在抑制噪声的同时更好地保留图像细节,且具有更好的抗噪鲁棒性.

基于动态特征模板匹配的ARToolKit三维注册

针对ARTool Kit三维注册易受光照、遮挡以及旋转变化的影响,提出一种基于动态特征模板匹配的ARTool Kit三维注册方法。通过对摄像头摄入的一帧视频二值化处理后形成的模板图片采用ORB算法检测特征点;然后采用动态特征模板匹配技术进行特征模板匹配;最后计算出三维注册矩阵来将虚拟信息叠加到现实世界中。将Open GL生成的虚拟信息叠加仿真实验,并将该方法与ARTool Kit注册方法对比。仿真结果表明,复杂环境条件下动态模板匹配算法具有较高的实时性和标识物识别率,且基于动态特征模板匹配的ARTool Kit注册具有良好的稳定性和鲁棒性。

基于听觉掩蔽的自适应β阶贝叶斯语音增强算法

为了寻求语音失真度和噪声抑制程度之间的一种平衡,提出了一种基于卡方分布的自适应β阶贝叶斯感知估计算法,并与听觉掩蔽效应的掩蔽阈值通过线性规则结合起来,以此达到更好的语音增强效果。算法利用了人耳的听觉掩蔽效应,根据得到的掩蔽阈值自适应地调整β阶贝叶斯感知估计语音增强算法中的β值,从而将噪声仅抑制在掩蔽阈值之下,留住了更多有效的语音信息,减少了语音畸变。分别应用了主观和客观两种评价方式来考察评价所提出的算法的各项指标,并与以往的基于信噪比的自适应β阶贝叶斯感知估计语音增强算法进行了比较,通过实验结果说明了文中的算法较之于其他算法的有效性。