基于加权L^(1)-L^(2)拟合的模糊活动轮廓图像分割

为了对灰度不均匀图像进行分割,结合图像的局部和全局信息,提出基于加权L^(1)-L^(2)拟合能量项的模糊活动轮廓图像分割(fuzzy active contour based on weighted L^(1)-L^(2) fitting energy for image segmentation,FAWFE)模型。首先,利用模糊隶属度函数,基于图像局部和全局信息构建混合模糊拟合图像。然后,构建加权L 1拟合能量项,量化原始图像与混合模糊拟合图像之间的差异,有效地处理灰度不均匀问题。最后,结合L^(2)拟合能量项,保证能量泛函的凸性,使得模型解的存在性和唯一性得以保证,避免陷入局部极小。另外,采用交替迭代算法对FAWFE模型进行数值求解,并与经典的活动轮廓模型对比。结果表明,FAWFE模型不仅可以准确定位目标边界,而且可以在0.6 s左右实现对图像的处理,对于合成图像和真实图像均有良好的处理效果。

基于网点核心—边缘模型的网目调印品光谱反射率预测算法

为了更加精确地预测印刷品的颜色信息,本研究基于单个网点核心—边缘模型、印刷品光散射现象、Lambert-Beer定律和模糊局部信息C均值算法,建立了一种网目调光谱反射率预测算法。并分别采用该算法、光谱Murray-Davis模型和经典核心—边缘模型预测网目调光谱反射率,与印刷品实际测量的光谱反射率作对比验证实验。结果表明:本研究算法得到的网目调光谱反射率曲线与实测光谱反射率更加吻合,色差ΔEab均小于6,达到了很好的颜色预测效果,具有较高的预测精度。

基于Canopy聚类的噪声自适应模糊C-均值算法

针对局部空间信息的模糊C-均值算法中空间影响因子容易受到噪声影响出现错误标志的问题,提出一种融合局部和非局部空间信息的模糊C-均值聚类图像分割算法(NLWFLICM)。在WFLICM算法的模糊影响因子中引入非局部空间信息,根据噪声程度自适应地设置局部和非局部信息权重,并重新标记中心点的模糊影响因子。实验结果表明,NLWFLICM算法具有比WFLICM算法更强的鲁棒性和自适应性,并在一定程度上提高了WFLICM算法对含有大量噪声图像进行分割的鲁棒性,同时保留了图像的纹理。为了提高算法的聚类性能和收敛速度,结合Canopy算法能够快速对数据进行粗聚类的优点,提出基于Canopy聚类与非局部空间信息的FCM图像分割改进算法(Canopy-NLWFLICM),可以在NLWFLICM算法聚类前对聚类中心进行预处理,从而提高收敛速度和图像分割精度。

结合模糊聚类与色彩空间的遥感图像阴影检测

高分辨率遥感图像中的阴影会导致特征信息的丢失、物体的假色调和形状失真,严重影响图像的质量。针对现有阴影检测算法对遥感图像中非匀质阴影区域及亮阴影区域易漏检、检测精度低等问题,该文结合模糊聚类及HSV色彩特征提出了一种新的遥感图像阴影检测算法。首先,对图像进行预处理,剔除亮度、饱和度与阴影区相似的干扰地物;其次,利用基于局部信息改进的模糊聚类算法对图像进行结合邻域信息的聚类,克服噪声情况下的错误聚类;最后,结合图像在HSV色彩空间的H分量和RGB空间的灰度直方图进行多阈值提取阴影,得到阴影区域。实验证明,改进算法有机结合了阴影像素点的邻域信息及色彩不变特性,在亮阴影及非匀质阴影区域检测中明显提高了检测精度。

融合自适应局部特征与改进模糊C均值的服饰分割算法

提取人体着装图像的服饰区域时,易受光照、阴影遮盖与人体姿态、肤色等问题的影响,提出一种融合自适应局部特征与改进模糊C均值(fuzzy C-means,FCM)的服饰图像分割算法。首先,通过改进区域生长法消除阴影实现前景提取;其次,采用MDSMGR-WT超像素分割获取图像局部特征,将自适应局部信息融入双加权FCM目标方程中,实现二次精细化分割;最后,经肤色检测提取目标服饰区域。实验结果表明,该方法的准确率可达78.93%,召回率90.12%,查准率89.93%。该方法能够减少内部区域噪声,提高服饰图像的分割精度。

核空间局部自适应模糊C-均值聚类图像分割算法

针对传统模糊C-均值聚类算法对在噪声干扰下图像的分割效果不理想问题,提出一种核空间与自适应中值滤波相结合的改进算法.算法利用自适应中值滤波获得像素的局部空间信息,并由此生成一种新的模糊因子加入到目标函数中,然后在核空间中对目标函数进行优化求解,得到最优聚类中心和隶属度.实验结果表明,该算法对被高椒盐噪声污染的图像具有较高的精度和鲁棒性.

基于局部空间信息KFCM的遥感图像聚类算法

针对模糊C均值(Fuzzy C-Means,FCM)算法,不能有效地对夹杂噪声的遥感图像聚类的问题,本文提出了一种基于局部空间信息核模糊C均值(Kernel Fuzzy C-Means,KFCM)的遥感图像聚类算法。首先,运用核函数将遥感图像的所有像元映射到高维特征空间,通过非线性映射优化遥感图像的有用特征;然后,根据相邻像元之间的相关性,利用一种空间函数重新定义像元的模糊隶属度,将像元的局部空间信息引入到FCM算法中,并在高维特征空间中使用这种基于局部空间信息的FCM算法对像元聚类。由于引入了像元的局部空间信息,算法可以直接应用于原始遥感图像,不需要滤波预处理。大量实验结果表明,本文提出的基于局部空间信息KFCM的遥感图像聚类算法具有较强的抗噪能力,可得到较好的同质区域,优于现有的FCM算法、模糊局部信息C均值(Fuzzy Local Information C-Means,FLICM)算法及KFCM算法。

基于模糊局部信息C均值算法的网目调光谱反射率预测模型研究

提出了一种网目调光谱反射率预测方法。网目调单个网点由若干个区域组成:网点核心区域,该区域的油墨层厚度均匀,且等于实地印刷的油墨层厚度;其余边缘区域有一个模糊的厚度分布函数,这部分油墨层厚度比实地油墨层厚度薄,且越靠近网点边缘油墨层厚度越薄。采用模糊局部信息C均值算法按像素密度值聚类网目调单个网点,得到了层次分明的网点密度分布并计算各个层次的面积率。以此建立了一个新的光谱反射率预测模型,该模型预测的光谱反射率与实际印刷样张测量得到的光谱反射率具有很好的光谱匹配曲线,证明该算法模型具有较高的预测精度。