改进的医学CT图像K-均值聚类分割算法的实现

为提高K-均值聚类算法在医学CT图像分割上的应用效果、稳定性和质量,减少程序运行时间,本研究用Matlab语言优化了K-均值聚类算法程序,与StatisticsToolbox的K—means函数进行比较,使用单因素方差分析法检验两种算法实现程序运行时间的差异,并直接观察分割效果和稳定性。结果显示,改进后的K-均值聚类算法程序具有分割结果稳定、质量提高等优点,在常用Windows操作系统和Pc机配置环境下,分割耗时在1s左右,显著低于原有的分割程序,消除了等待感觉,提高了使用者的工作舒适度和效率,为图像的识别处理奠定了基础。     

航拍油菜花图像的自动聚类分割方法

为了实现航拍大田油菜花的准确分割,本文提出了一种基于HSI颜色空间阈值和X均值自动聚类算法相结合的分割方法来有效提高分割精度。先将待分割的原始图像转换到HSI颜色空间,通过设定的颜色阈值对目标区域进行定位,实现初步分割,得到候选目标区域;然后将候选目标区域的像素转换至LAB颜色空间,计算候选区域的a、b通道的均值和方差;最后利用得到的均值和方差作为聚类的约束条件,利用X均值自动聚类算法对原图像的a、b通道进行聚类。实验结果表明,本文提出的方法能够克服变化的背景的影响,准确提取油菜花区域;相对于传统的聚类方法,本方法不需要预先设定聚类数,从而实现完全自动的分割。     

基于狮群优化的FCM图像分割算法研究

为了解决模糊C均值聚类(FCM)算法进行图像分割时容易陷入局部最优和随机初始化聚类中心的问题,研究人员提出了基于改进的狮群优化和模糊C均值聚类的混合图像分割算法。该算法首先利用改进的狮群算法优化模糊C均值的目标函数,增强算法全局最佳值搜索能力,使其避免陷入局部最优,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割。实验结果表明,该方法可自适应地确定图像分割最佳类别数,能快速准确地实现图像分割。     

一种融合聚类和分类算法的树木图像多目标优化分割方法

目的结合树木图像颜色和纹理特征,融合聚类和分类算法对树木图像进行多目标优化分割,从而提高自然背景下树木图像分割的准确性。方法首先,利用MSCC框架理论,解决聚类和分类目标函数同时依赖于聚类中心的问题。然后,分别选定聚类性能评价指标函数和分类性能评价指标函数。最后,采用多目标进化优化方法——NSGA-II算法进行优化,得到Pareto前端最优解集,并通过计算聚类有效性指数I的最大值,寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用K-means、Fuzzy C-means、对聚类目标函数进行单目标优化,采用MOPSO方法进行多目标优化,以及NSGA-II方法进行多目标优化等5种方法对样本图像进行分割比较。结果在聚类中心数量相同、种群大小相同、遗传代数相同的条件下,指数I的值表明本文提出的分割方法优势显著。对于4类不同样本图像分割的指数I值进行对比可知,以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法;MOPSO多目标优化方法分割结果优于单目标优化结果;基于NSGA-II优化的多目标函数分割结果又优于MOPSO多目标优化结果。结论融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数,并采用非支配排序遗传算法对多目标函数进行优化,能更好地保留树木图像的颜色和纹理特征,分割准确率显著提高。      

复杂背景下黄瓜病害叶片的分割方法研究

利用图像处理和模式识别技术进行复杂背景下黄瓜叶部病害的自动识别,需要先把目标叶片从复杂背景中分割出来,才能进行后续的特征提取和病害识别。为实现复杂背景下黄瓜叶片的分割,首先利用K-均值聚类算法去除图片中的非绿色部分,再采用基于laplacian of gaussia(LOG)算子的方法对待分割的叶片进行区域检测,然后进行基于形状上下文(shape context)的模板匹配和分割。为了提高匹配速度,先检测叶片的生长点和叶尖,以确定叶片的位置、尺寸和方向;然后使用基于超像素(superpixel)的最优匹配搜索方法来减少搜索的复杂度。对20幅黄瓜叶部病害图像进行分割测试,并与人工分割法进行对比,结果表明,本文所采用的分割算法能较好地从复杂背景下提取出黄瓜叶部病害图像,分割准确率达94.7%,为后期黄瓜病斑的特征提取等工作奠定了良好的基础。     

一种两阶段彩色图像分割方法的原木识别

针对原木图像存在年轮、锯痕以及原木之间紧密接触的问题,提出两阶段分割方法,即依据原木目标和背景的颜色差异应用K均值算法进行聚类得到相互紧密接触的原木目标分割结果;然后应用分水岭分割算法将粘连的原木目标加以分离．结果表明：与直接用分水岭算法和K均值算法相比,本方法能够有效地分割出原木目标．     

基于GLCM纹理特征提取的黄瓜叶部病害检测算法研究

针对传统的植物叶部病害检测算法复杂的特点，提出了一种基于GLCM纹理特征提取的植物叶部病害检测算法。以黄瓜叶部炭疽病为研究对象，利用K-means聚类算法进行图像阈值分割，并利用灰度共生矩阵提取样本的能量均值、熵均值、对比度均值和相关均值等4种纹理特征参数，通过参数训练，确定无病害区和有病害区参数的区域，进而判定样本的病害情况。结果表明该算法实现效率高、鲁棒性较好。     

聚类算法在玉米叶片病斑降维识别中的应用

为了及时、准确地识别玉米病害,基于聚类识别算法,进行了玉米叶片病斑图像识别的对比试验。首先利用LLE算法对玉米图像降维以提取特征,然后采用K-均值算法、FCM算法和GK算法进行聚类分析,其中GK算法能够有效识别出玉米病斑图像,正确识别率高达95.5%。可见,GK模糊聚类算法对玉米病斑图像的识别效果较好。     

基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法(PCA)和可能C-均值聚类算法(PCM)对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法(IPCAOP)。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。     

基于K-means聚类与果萼形状的‘海沃德’猕猴桃膨大果检测方法

【目的】根据‘海沃德’猕猴桃膨大果和未经膨大剂处理的猕猴桃正常果在果萼形状上的差异,建立一种基于K-means聚类算法的猕猴桃膨大果的图像识别方法。【方法】利用K-means聚类算法对猕猴桃的RGB图像进行聚类,以初步分割出猕猴桃果萼;对RGB图像进行灰度化,并采用最大类间方差法对灰度图像进行阈值分割,基于阈值分割后的二值图像提取猕猴桃的边缘区域;基于K-means聚类分割的结果与猕猴桃边缘区域的二值图像提取果萼的聚类,再利用数学形态学处理精确提取出猕猴桃的果萼。求取果萼区域最小外接矩形的长宽比,并根据长宽比进行猕猴桃正常果与膨大果的判断与识别。【结果】对提取的猕猴桃果萼特征的统计分析表明,当猕猴桃果萼区域最小外接矩形的长宽比值大于1.6时为膨大果,否则为正常果,利用该算法对‘海沃德’猕猴桃膨大果的总体正确识别率为91.5%。【结论】基于K-means聚类分割算法和果萼形状上的差异所提出的猕猴桃膨大果无损、便捷检测方法,为猕猴桃膨大果的工业化在线检测及基于手机平台的猕猴桃膨大果识别软件的开发提供了新思路。     

基于改进K-means聚类与分水岭的木材横截面管孔分割

  目的  管孔是木材识别方面的重要特征之一。针对管孔随机分布、大小不一导致管孔分割鲁棒性不高,木纤维、木射线以及轴向薄壁组织等噪声区域对管孔分割效果影响较大的问题,本研究提出了一种改进K-means聚类与分水岭的木材横截面管孔分割算法。  方法  采用改进K-means聚类对管孔区域进行粗分割,有效区分管孔区域与木纤维、木射线以及轴向薄壁组织等噪声区域。再对粗分割结果采用改进分水岭算法进行精分割,分割出的管孔与实际管孔基本吻合。  结果  平均每张木材横截面微观图像有97.1%的管孔被准确有效地分割出来。本研究提出的改进分割算法与其他算法相比,分割效果显著提升,在大小不一且随机分布的管孔分割过程中鲁棒性高,具有良好的分割性能。  结论  该算法有效解决了传统K-means聚类算法在图像分割时受噪声影响大和初始聚类中心随机性问题,为阔叶材管孔特征提取和定量分析奠定了坚实基础。图7表1参16     

基于遗传算法的骨髓细胞图像分割方法研究

设计了一种基于熵的遗传聚类分割算法.以像素的灰度值为特征向量进行编码,利用直方图熵法准则函数作为适应度函数,采用基于排名的选择操作,以一定的概率进行算术交叉和变异,并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割.对于分割后获得的细胞核轮廓利用活动轮廓模型进行了优化,从而获得连续的细胞轮廓曲线.     

基于AP聚类算法的图像分割应用与研究

针对传统聚类算法在图像分割中对聚类中心选择敏感,可靠性差的缺点,本文采用AP聚类算法研究图像分割问题。AP(Affinity propagation)聚类算法是通过数据点之间的信息传递产生高质量的聚类中心,避免了聚类初始中心选择难的问题。本文通过与K均值算法和模糊C均值算法在图像分割中的实验比较,得出本算法优于其他两种算法,对图像可取得良好的分割效果。     

基于K均值聚类和数学形态学的小麦彩色图像分割

对小麦植株图像进行分割,是将机器视觉技术应用到动态监测小麦生长状况的基础.采用K均值聚类和数学形态学相结合的方法进行分割,充分利用了小麦植株颜色和背景颜色的差异.首先根据图像色彩对图像进行聚类,然后对聚类后的图像进行形态学开运算,实现了小麦植株与背景的分离,并达到了较好的效果.     

基于Lab颜色空间下的小麦赤霉病图像分割

针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于改进K-means算法的冬小麦覆盖度提取研究

为快速、精准地提取冬前分蘖期冬小麦覆盖度,提出了一种基于改进K-means算法的冬小麦覆盖度提取方法。首先将冬小麦图像转换到Lab色彩空间,其次利用蜉蝣算法（Mayfly Algorithm, MA）获取K-means最优初始聚类中心,并用马氏距离代替欧氏距离进行算法改进,最后利用分割得到的二值图像计算冬小麦覆盖度。结果显示,该方法的平均分割精度和平均处理时间分别为94.66%和2.03 s,与过绿指数（excess green,EXG）自适应阈值分割和基于粒子群优化算法（particle swarm optimization,PSO）的K-means(PSO-K-means)分割相比,分割精度分别提高了12.04%和4.18%,处理时间分别减少了2.26和2.94 s。该方法分割效果优于EXG和PSO-K-means分割方法,可用于提取冬小麦覆盖度。