基于二维直方图加权的模糊C均值聚类的煤泥浮选泡沫图像的分割

通过对实际煤泥浮选泡沫图像的模糊C均值聚类图像分割结果的对比分析,与普通模糊C-均值聚类的算法和一维直方图加权的模糊C-均值聚类的算法相比,基于二维直方图加权的模糊C-均值聚类的算法,具有收敛速度快,实时性强的特性,不仅准确地将煤泥浮选泡沫图像划分了气泡顶点、气泡表面及背景三类像素,还增加了气泡边缘与背景的对比度,使气泡区域定位准确,使得后续的基于标记的分水岭的图像分割更加准确,避免了过分割与欠分割。

基于二维Otsu和模糊聚类的图像分割算法

针对传统二维Otsu算法计算复杂度高的问题,提出一种改进的Otsu图像分割算法。该算法通过求两个一维Otsu法的阈值来代替传统二维Otsu法的阈值,使得计算复杂度得到了降低;同时为了改进分割效果,结合使用了模糊C-均值聚类算法。实验结果表明,改进的算法充分发挥了两者的优势,不仅在计算速度上优于原二维Otsu算法,且分割效果较好。

基于二维直方图的图象模糊聚类分割方法

本文提出了一个基于二维直方图的图象分割模糊聚类方法,它除了考虑象素点的灰度信息外还考虑了象素点与其邻域的空间相关信息,利用模糊C均值(FCM)聚类算法得到象素点的隶属度,并由各象素点的隶属度实现图象分割.实验结果表明,本文提出的方法与Otsu法和熵函数法相比,错分的象素点数大约减少了四分之三.

基于模糊Gibbs随机场聚类二维直方图的核磁共振图像分割

针对人脑组织结构的不确定性和模糊性,提出模糊Gibbs随机场聚类与二维直方图相结合的分割方法。该方法首先利用均值、方差及邻域属性对隶属度函数进行定义,并建立模糊Gibbs随机场;然后以模糊Gibbs随机场作为先验知识、最大后验概率为判别准则来确定每一个像素的类归属以及它属于该类的隶属度,同时用模糊类的质心来更新类中心;最后将类中心引入二维直方图方法中,找到每个类之间的各个阈值点对图像进行分割。通过实验表明该算法能够准确分割出各种脑组织,对噪声的鲁棒性、结果的准确性及平滑性相对于模糊C均值(FCM)算法都有了很大的提高。

基于二维直方图的中智模糊聚类分割方法

加入邻域像素均值,对中智模糊聚类分割算法加以改进,以提高其抗噪性能。将各像素与其邻域像素均值相结合,形成二元数组,统计其出现的频次,由此构造二维直方图。通过对此二维直方图进行中智模糊聚类,实现图像分割。对标准灰度图像添加椒盐噪声和高斯噪声,用以验证改进算法的性能。视觉效果及分割图像的峰值信噪比均显示,改进算法相比原中智模糊聚类分割法具有更好的抗噪能力和分割效果。

基于加权模糊C均值聚类的图像分割算法

模糊C均值(FCM)算法用于灰度图像分割是一种非监督模糊聚类后再标定的过程,适合灰度图像中存在着模糊和不确定性的特点.但是这种算法存在着本质上的缺陷,就是仅利用了图像的灰度信息,而没有考虑像素的空间信息,使得其对于实际的含有噪声的图像分割效果不理想.因此,提出了一种新的加权模糊C均值聚类算法,实践证明,该方法可以有效地、实时地把目标从背景中分割出来,并具有较强的鲁棒性.

基于直方图加权的半模糊聚类

通过分析影像数据的特点,利用直方图的统计特性,结合HCM收敛速度快的优点,提出了一种基于直方图加权的半模糊化的聚类算法,此方法结合了全局与局部信息,提高了聚类的速度,改善了聚类的效果;采用Lena和脑影像实验与传统算法作比较证明了该算法的效果更好,并对一副97658k的影像进行处理,证明了该算法效率高。

基于样本和属性加权的二维FCM聚类分割法

为衰减存在于图像上的噪声,尽可能地精确提取目标,提出一种基于样本和属性加权的二维模糊C-均值(FCM)聚类分割法。构造合理的二维直方图对图像进行滤波,通过改变样本权的幂函数大小提高目标提取的精确性,为提高聚类效果及抗噪性,对目标函数的类内距离进行属性加权,实现属性权数值的自动确定。基于遥感图像和小目标图像的实验结果表明了该方法的有效性。

基于二维直方图和改进蚁群聚类的图像分割

图像分割是图像处理和图像分析的重要基础。基本蚁群算法蚂蚁的搜索是随机的,计算量大,不利于算法的收敛。因此,文中提出了一种基于二维直方图和改进的蚁群聚类算法的图像分割方法,改进了应用传统分割方法分割图像效果不佳的问题。蚁群聚类算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。文中基于此传统算法,通过二维直方图设置初始聚类中心来减少蚁群算法循环次数,定义了一种新的引导函数,并通过改进信息素更新机制提高蚁群聚类的速度。实验证明,该算法是一种比较准确、快速的图像分割方法。

一种基于模糊聚类的快速图像分割算法

提出一种基于二维直方图加权的模糊c均值图像快速分割算法.通过将原图像和它的平滑图像相结合,构造一个二元组的“广义图像”,广义图像的直方图就是原图像的二维直方图.然后对此二维直方图进行塔形分解得到金字塔的上一层——顶层,相应地称原二维直方图为底层.最后,利用加权模糊c均值聚类算法分别对顶层和底层进行模糊聚类,从而实现对原图像的分割.实验结果与性能分析表明,该算法具有较高的分割速度和良好的抑制噪声的能力.

一种快速鲁棒核空间图形模糊聚类分割算法

针对现有鲁棒图形模糊聚类算法难以满足强噪声干扰下大幅面图像快速分割的需要,提出一种快速鲁棒核空间图形模糊聚类分割算法。该算法将欧氏空间样本通过核函数映射至高维空间;采用待分割图像中像素邻域的灰度和空间等信息构建线性加权滤波图像,对其进行鲁棒核空间图形模糊聚类;并引入当前聚类像素与其邻域像素均值所对应的二维直方图信息,获得鲁棒核空间图形模糊聚类快速迭代表达式。对大幅面图像添加高斯和椒盐噪声进行分割测试,实验结果表明:本文算法相比基于图形模糊聚类等分割算法的分割性能、抗噪鲁棒性和实时性有了显著提高。

基于二维灰度直方图的蚁群图像分割

提出了一种基于二维灰度直方图的蚁群图像分割方法。该方法基于二维灰度直方图的灰度、邻域平均灰度及灰度频数进行蚁群模糊聚类,通过二维灰度直方图的一维最佳投影,设置精确的初始聚类中心来解决蚁群算法循环次数多、计算量大的问题;并针对具体应用,对聚类半径、信息激素和启发式引导函数进行了相应的修正。实验表明该算法速度快、划分特性好,可以准确地分割出目标。

基于二维几何特征的微地形快速识别算法

为满足水下超声波准确、实时探测海底微地形的需要,研制出一种摆动式单波束探测系统。该系统在探测实验过程中,因出现高程奇异值而造成数字"伪"地形产生,由此提出一种基于二维几何特征的水平、斜坡和凹凸不平三种微地形模式的快速识别算法。该算法建立在现代统计分析与模糊聚类的理论基础上,具有准确性高、实时性好以及抗干扰能力强等优点;并由物理模拟实验证明,利用该算法能有效消除高程奇异值的影响,识别出来的微地形模式准确可靠,为下一步快速重构逼真的数字微地形提供了保障,能够应用于真实的海底微地形探测。

一种差分进化二维熵的KFCM图像分割算法

为改进传统模糊C均值(FCM)聚类算法在图像分割过程中存在线性不可分问题,使得样本与样本之间的差异小,出现处理能力弱的缺点,提出了一种将差分进化二维熵算法和核模糊C均值聚类相结合的图像分割算法,使用差分进化二维熵得到最优阈值,并用于FCM算法的初始聚类中心,解决了对初始值敏感和计算速度慢的问题,最后利用KFCM算法完成有效分割,实现了线性可分.经过实验验证,本方法运行时间短,得到了较好的分割结果.

基于二维直方图的快速FCM图像分割

模糊聚类方法广泛应用于图像分割,目前最常用的算法是将空间邻域信息作为惩罚函数用以修改聚类目标函数,虽然它有效提高了算法的抗噪性,但当数据样本大时,运算速度较慢.为解决此问题,一种利用原图像及其平滑图像的二维统计信息将图像从像素空间映射到二维直方图特征空间的方法被提出,对标准测试图像和真实脑部CT图像的实验表明,该算法在不影响分割效果的前提下快速地对含噪图像进行分割,有效提高了运算效率.

基于特征指标降维及熵权法的日负荷曲线聚类方法

日负荷曲线聚类是负荷建模背景下分析负荷特性的基础。针对现有聚类方法在聚类质量、聚类效率等方面的不足,综合运用模糊C均值及熵权法原理提出一种基于特征指标降维及熵权法的日负荷曲线聚类方法。首先提取日负荷率、日峰谷差率、日最大利用时间等7类降维特征指标替代各采样点负荷数据作为聚类输入;其次,引入熵权法自适应配置各特征指标的权重系数;最后,采用特征加权的模糊C均值聚类算法对用电日负荷曲线进行聚类。采用所提方法对某地区日负荷曲线进行聚类分析,算例结果表明该方法在运行效率、鲁棒性、聚类质量等方面具有一定的优越性,聚类结果能真实有效地反映负荷的实际用电特性。

图像分割中模糊聚类数目的确定

尽管模糊聚类是一种无监督的分类,但目前的FCM类型的算法却要求聚类原形参数的先验知识(原型数目及类型),否则算法就会产生误导,这就限制了在图像分割中的应用。因此需要对聚类数目给出一个判断算法。通过对图像的灰度直方图中加入它的梯度信息,提出了灰度-梯度的二维直方图。该方法能有效地抑制噪声的干扰,更准确地得到聚类数目,使模糊聚类完全无监督化。

基于MAR与FCM聚类的声呐图像分割

针对模糊C均值聚类算法中,聚类效果往往受到聚类中心数目和初始聚类中心的影响这一问题,提出一种基于多尺度自回归(MAR)模型与模糊C均值(FCM)聚类的声呐图像分割方法。引入MAR模型,建立层与层之间以及相邻层像素点间的数学关系,利用粗尺度图像的灰度-邻域均值二维直方图中的峰值个数来确定聚类中心数目,通过MAR得到的预测分割结果引导初始聚类中心的确定。实验结果表明,改进后的算法能准确、快速地确定聚类中心数目,并较好地解决初始聚类中心问题;与传统的FCM聚类方法相比,具有分割准确和收敛速度快的特点。

基于捕食者-食饵微粒群优化的二维FCM图像分割方法

传统模糊C均值聚类算法进行图像分割时仅利用了像素的灰度信息,没有考虑像素的空间邻域信息,因此抗噪性能差.为了克服传统模糊C均值聚类算法的局限性,提出了一种基于捕食者—食饵微粒群算法的二维模糊C均值聚类图像分割方法.该方法将图像的聚类分割转化为一个优化问题,根据像素的灰度信息和改进二维直方图描述的像素邻域关系特性,建立包含邻域信息的适应度函数,并利用捕食者—食饵微粒群的全局优化能力,通过迭代优化获得最优聚类中心,实现图像分割.仿真结果表明,所提算法不易陷入局部最优,抗噪能力强,聚类正确性高,分割效果好,是一种有效的图像分割算法.

湿地遥感图像分割算法设计及实现

提出了一种结合熵和模糊C均值的聚类分割方法。模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感,基于二维直方图的模糊C均值聚类算法除了考虑像素点的灰度信息外还考虑了像素点邻域的空间信息,可有效地抑制噪声;在目标函数中引入熵项则能更好地抑制噪声和外围点对类中心估计的影响。实验分析结果表明,算法对湿地遥感图像的分割效果优于FCM算法。