结合Total-Bregman距离的模糊聚类算法

模糊C均值(fuzzy C-means,FCM)聚类算法是一种常用的基于目标函数最小化的聚类算法。目前已经提出了相当数量的聚类算法是对模糊C均值聚类算法的改进,例如AFCM算法、GK算法等。对最近发表的基于Bregman距离的模糊聚类算法进行了改进,通过在FCM模糊聚类框架中引入Total-Bregman距离提升了聚类算法的聚类性能。同时对基于Total-Bregman距离的模糊聚类算法的收敛性质进行了理论分析。实验部分对来自UCI数据库的几个数据集进行了聚类,证明了算法的有效性和收敛性。

Bregman全散度水平集图像分割方法

由于图像来源的广泛性和成像条件的复杂性,使得图像分割是一个极具挑战性的问题。针对传统活动轮廓模型不适用于噪声、弱边缘图像分割的问题,提出基于Bregman全散度的全局优化分割方法。首先用Bregman全散度替换传统模型中的l2测度,构造能量泛函;然后构造全局最优解求解方法,交替迭代求解最优解,得到最终的目标边界;最后在模拟图像、医学图像和自然图像场景下进行实验对比。对比实验结果表明,该分割方法具有较高的鲁棒性和抗噪能力,能准确地分割出具有噪声、弱边缘的目标区域。

全Bregman散度和二部图相结合的高光谱图像稳健聚类算法

针对传统基于图的谱聚类算法底层计算复杂度高、聚类精度低,难以应用于大规模数据聚类,本文利用锚点与数据点之间的相似性度量,提出了一种基于图的聚类算法来处理高光谱图像分类问题,称为全Bregman散度和二部图相结合的高光谱图像稳健聚类算法(RTBBG)。首先,在构造二部图的过程中添加了高光谱图像的空间信息,使得高光谱图像丰富的空间信息得以充分利用;然后,利用全Bregman散度来优化传统的欧氏距离作为数据点与锚点之间新的相似性度量,使得构建的二部图更加稳定,增强了算法稳健性;最后,利用K-means算法直接进行光谱聚类得到最终聚类结果。通过在3个大规模高光谱数据集上进行测试,验证了本文算法的有效性。

基于全散度的C-V模型阈值法

为了提高传统C-V模型的收敛速度并降低其对噪声的敏感性,提出基于全散度的C-V模型及其快速阈值分割算法。将Bregman散度与全散度统一获得新的全散度,并将其引入C-V模型的拟合偏差项,提高图像灰度值与分割区域平均灰度偏差值计算的鲁棒性。同时,采用变分水平集理论获得基于直方图的快速阈值计算方法。实验结果表明,该方法分割效果及收敛速度得到提高,且具有较好的鲁棒性和抗噪性。

基于参数化全散度的C-V模型阈值分割方法

针对传统C-V模型收敛速度慢且不完全适合灰度不均匀图像分割的问题,提出基于参数化全散度的C-V模型及其相应的快速阈值分割算法。将全散度引入传统C-V模型并获得一种改进的区域活动轮廓模型,然后,采用水平集和变分法相结合得到该模型所对应的偏微分方程,并通过数值求解该方程获得适合图像分割的快速迭代算法。实验结果表明,该方法分割效果及收敛速度明显提高,且具有较高的鲁棒性和抗噪性。

基于全散度的自适应鲁棒图形模糊聚类算法

针对图形模糊聚类对灰度分布不均匀及噪声干扰图像无法获得满意分割结果的不足,提出一种基于全散度的自适应鲁棒图形模糊聚类分割算法。全散度和像素邻域信息相结合,得到一种改进的全散度;改进的全散度引入图形模糊聚类最优化模型,并嵌入像素空间邻域信息。当前聚类像素与邻域像素均值的偏差作为该鲁棒聚类分割模型的正则因子,促使该聚类对强弱噪声具有自适应抑制能力。测试结果表明,与现有的图形模糊聚类、鲁棒模糊聚类等算法相比,自适应鲁棒全散度图形模糊聚类分割算法的分割效果和抗噪鲁棒性均有明显改善。

基于全散度的变分CV模型及其分割算法

CV模型在图像灰度不均匀或有噪声干扰时,易出现错分现象,因此将全散度引入变分CV模型,提出了基于全散度的变分CV模型及其迭代分割算法。分析基于欧氏距离所对应的变分CV模型分割算法存在的问题和不足,通过图示说明全散度相对于欧氏距离在距离计算与坐标系选择无关的优势,将其引入变分CV模型拟合偏差项,来提高图像灰度值与分割区域平均灰度偏差计算的鲁棒性。然后,采用欧拉-拉格朗日变分法获得全散度变分CV模型的偏微分方程,并采用数值计算方法获得该偏微分方程的迭代求解算法。同时在全散度变分CV模型中,增大拟合偏差项的权重系数,加大拟合偏差项在变分模型中的重要性。实验结果表明,全散度变分CV模型具有初始化敏感低、抗噪性强、鲁棒性高等优点。