基于空间信息的鲁棒模糊C均值聚类的苗族服饰图像分割算法

针对苗族服饰图像中破损污渍、折叠痕迹、色彩差异大和噪声破坏等现象所导致的传统模糊C均值聚类(Fuzzy C-means,FCM)算法分割质量不佳问题,提出了基于空间信息鲁棒FCM算法,用于苗族服饰图像分割。通过均值滤波和中值滤波处理空间邻域信息,对应获得2种方法,并用一个加权参数调节模糊隶属度的稀疏性,旨在加强细节的提取和提高算法对噪声的鲁棒性。实验表明,对于被高斯噪声破坏的图像,基于均值滤波处理的改进算法,其划分系数提高约3.6%,划分熵降低约5.6%;对于被椒盐噪声破坏的图像,基于中值滤波处理的空间约束项的改进算法,划分系数提高约2.7%,划分熵降低约4.3%。该算法提高了对这类苗族服饰图像分割的质量,对于传统文化的传承具有非凡的意义。

加权可靠性FCOM算法的苗族服饰图像分割

针对苗族服饰图像存在保存不清晰、折痕、污渍沾染的问题,提出一种加权可靠性模糊C有序均值聚类算法。首先,将排序技术、损失函数和像素数据的典型性结合起来,对数据样本点可靠性进行分析,保证算法的鲁棒性与稳健性。其次,引入一组加权超参数,简化算法的复杂度,提高算法的灵活性。最后,引入新的隶属度约束函数,构造新的目标函数,对数据项进行更加强制清晰的划分。实验结果表明该算法在模糊划分系数、模糊划分熵及Xie-Beni系数等方面均优于其他几种FCM算法。

结合非局部空间信息和KL信息的鲁棒FCM算法

针对传统模糊C均值(Fuzzy C-Means,FCM)聚类算法对噪声敏感的问题,提出一种结合非局部空间信息和KL信息的鲁棒FCM算法.首先,将灰度信息与非局部空间信息相融合,用于增强算法对噪声的鲁棒性;其次,在目标函数中引入KL信息,以便减少分割的模糊性.在密度为5%的混合噪声条件下,合成图像和自然图像的实验结果表明,该文算法的分割精度较高、鲁棒性较强,能较好地分割噪声图像.

基于非局部空间约束的可靠性核FCM算法的图像分割

针对图像易受到噪声破坏的现象,导致传统的模糊C均值(fuzzy c-means, FCM)算法分割效果差的问题,提出基于非局部空间约束的可靠性核FCM算法,旨在有效的去除噪声干扰和保留图像细节。首先在FCM的目标函数中引入了一个非局部空间约束项,并在此基础上利用一个正则化参数来增强图像细节保留的能力;其次引入一个不确定性的聚类模型,以降低噪声点和边缘点的影响;最后使用高斯核距离代替欧氏距离,进一步提高算法对噪声的鲁棒性。利用含噪声的合成图像、自然图像和遥感图像进行实验,结果表明所提算法的抗噪性能较好,同时也能保留更多的图像细节。其中,对于被高斯噪声和椒盐噪声破坏的灰度图像,所提算法的平均精度分别为99.92%和99.97%,提高了4.02%和1.47%。

可靠性模糊局部信息C均值聚类算法的苗族服饰图像分割

传统的模糊C均值(FCM)算法容易受到噪声的影响,难以对具有褶皱、污渍和色彩差异大的苗族服饰图像进行有效的分割。本文提出可靠性模糊局部信息C均值聚类算法,在FCM的目标函数中增加一个模糊因子来度量局部的相似性,充分结合空间信息与灰度信息,提高对噪声的鲁棒性。此外,引入一个模糊不确定性聚类模型,对像素进行可靠性分析,进一步降低噪声点和边缘点的影响。利用含噪的苗族服饰图像进行实验,实验结果表明本文所提算法对含噪的苗族服饰图像分割效果好,对于褶皱、污渍及色彩差异大的苗族服饰图像,本文所提算法都获得最高的划分系数和最低的划分熵,分割质量均优于对比算法。

隶属度修正的空间核直觉模糊聚类苗族服饰图案分割

针对直觉模糊聚类算法未考虑空间邻域信息的问题,提出一种隶属度修正的空间核直觉模糊聚类苗族服饰图案分割算法。首先,在直觉模糊C均值(Intuitionistic Fuzzy C-Means,IFCM)算法的目标函数中加入隶属度约束惩罚项,降低算法的计算复杂度;其次,使用核距离替代欧式距离,重新计算像素点到聚类中心的距离,提升算法的鲁棒性;最后,考虑空间邻域信息,对邻域内的像素点赋予不同的权重来修正隶属度函数,从而完成图像分割。实验结果表明,在含噪声的苗族服饰图案数据集中,所提算法的划分系数和划分熵为95.49%和7.44%;在彩色苗族服饰图案数据集中,所提算法的划分系数和划分熵为97.91%和3.42%,均优于其他对比算法,且提高了核函数的运行效率。

广义增强区间二型FCM的苗族服饰图像分割算法

针对苗族服饰图案色彩鲜艳、形状丰富和纹理复杂等特征而导致分割难度增加等问题,提出了一种新的区间二型模糊集的算法,将广义增强区间二型模糊c均值(FCM)算法应用于苗族服饰图像分割。区间二型模糊集可以有效地处理图像分割过程中的不确定性和模糊性,在分割过程中能够把握更多图像的细节信息;模型在区间二型FCM算法中加入一个竞争惩罚项可以增强算法的鲁棒性和收敛能力;利用增强的Karnik-Mendel算法降型和解模糊优化聚类中心以加快模型的运算速度。实验结果表明,所提算法在不同数据集上的分割效果均优于其他算法。