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。     

基于FCM聚类及其改进的遥感图像分割算法

在遥感图像分割中,某些像素分类具有不确定性和随机性,模糊C-均值(FCM)聚类算法对处理这种不确定性和随机性具有很大的优势,但传统的FCM算法具有很大的缺点。对此,该研究提出一种改进的FCM遥感图像分割算法。首先,该算法在选取聚类中心和聚类数时使用直方图进行选取,克服了传统FCM算法选取时的随机性和人为性;然后,使用叉熵距离测度代替欧氏距离测度,克服了传统FCM算法依赖于球状分布的缺点;最后,利用传统FCM算法和改进后的FCM算法对某水电站大坝遥感图像进行分割实验,比较2种方法的分割效果,结果显示,改进的FCM算法大大提高了遥感图像聚类的效率和分类的精度。     

基于直觉模糊C均值聚类算法的作物病害图像分割

针对作物病害图像的病斑分割问题,提出一种直觉模糊C均值(Intuitional Fuzzy C-means,IFCM)聚类算法。通过引入隶属度、非隶属度和犹豫度3个参数来表示模糊集,从而定义了用来表示模糊集的模糊度的直觉模糊熵(IFE)这一概念,对传统的FCM算法进行改进,克服了FCM算法分割时计算目标函数容易陷入局部极小值,而且聚类数目需要提前设定初值的缺点。将预处理过的作物(以黄瓜为例)病害叶片图像作为研究对象采用该改进算法进行病斑图像分割,得到了很好的分割效果。与其他分割方法进行比较,结果表明该算法分割出来的作物病斑图像准确率高达94%以上,分割效果明显。     

基于U-Net模型和FCM算法的番茄穴盘苗重叠幼叶分割方法

针对传统方法对番茄穴盘苗重叠幼叶图像分割精度较低、背景剔除困难的问题,提出一种基于U-Net模型和模糊C均值聚类(FCM算法)相结合的图像分割方法。首先用ExRG法对图像的背景进行剔除,得到待分割幼叶的主体区域,对图像进行预处理。其次建立数据集,训练网络模型,用预训练的U-Net模型分割幼叶主体区域,提取其过渡区域;同时用FCM算法分割幼叶主体区域,提取其过渡区域。然后结合FCM算法分割得到的过渡区域和U-Net模型分割得到的过渡区域,得到重叠叶片的最终分割结果。最后,为了得到精准的评估结果,将重新连接的过渡区域进行填充,并与其他文献所述的算法进行对比分析。结果表明,所提出的基于U-net模型和FCM算法对穴盘苗幼叶轮廓分割的结果更加准确,泛化性更强。证明对番茄幼苗叶片图像分割的有效性,为幼苗生长状况的检测研究提供了支持。     

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果.结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率.     

融合同态滤波与马尔可夫随机场的棉花图像分割

对机器人图像处理系统中的图像进行准确分割具有重要实用价值,提出融合同态滤波与马尔可夫随机场的图像分割算法。(1)将读入的图像从RGB模式转换到HSI模式,进行同态滤波处理以凸显图像细节与目标区域;(2)将同态滤波后的RGB模式彩色图像转换成灰度图像;(3)将利用了图像区域信息的马尔可夫随机场模型以及对图像中的少量模糊和不确定点具有良好适应性的约束聚类方法相结合,对图像进行分割;(4)在分割图像的基础上通过对连通区域面积阈值的设定以获取目标区域。选取不同角度与光照采集的图像,使用本研究算法进行分割试验,并分别与OTSU算法、模糊聚类图像分割算法和马尔可夫随机场图像分割算法进行比较,结果表明,本研究算法对图像进行分割的效果更好。     

多尺度各向异性小波收缩图像分割算法在玉米病斑特征提取时的应用

通过选取基于LXF模型的水平集图像分割算法和快速FCM聚类图像分割算法进行对比研究,并将结合小波收缩与各向异性扩散优点的多尺度各向异性小波收缩图像分割算法应用于玉米病斑图像分割与特征提取中,该算法的分割效果明显优于前两种分割算法。     

一种改进的SAR图像分割FCM算法

针对合成孔径雷达(SAR)图像中存在较强相干斑的特性,提出一种改进的模糊C均值聚类(fuzzy C-means,FCM)SAR图像分割方法(基于乘性模型的RFCM聚类方法)。将改进的方法、传统上使用的FCM算法以及基于空间模型的模糊C均值聚类(robust fuzzy C-means,RFCM)算法运用到实测的SAR图像中。结果表明,改进的方法降低了SAR图像分割的误分率,抗噪性更具优势。     

基于量子粒子群的柑橘果实图像约束聚类分割算法

为降低果蔬采摘机器人图像处理系统的分割错误率,提出基于量子粒子群的柑橘果实图像约束聚类分割算法。首先,将读入的RGB模式柑橘果实彩色图像转换成灰度图像;然后采用具有随机遍历性的量子粒子群全局寻优策略,结合对图像中的少量模糊和不确定点具有良好适应性的约束聚类方法,对柑橘图像进行分割。从采集的柑橘果实彩色图像中分别取遮挡柑橘图像与重叠柑橘图像,使用本算法进行分割试验,并分别与OTSU算法、模糊聚类图像分割算法、量子粒子群图像分割算法进行比较试验。结果表明,本算法具有更低的分割错误率以及更高的峰值信噪比。     

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。     

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RGB颜色空间的猪肉大理石纹分割

自然光或白炽灯照射下的猪肉图像会因反光作用导致亮斑噪声,且猪肉大理石纹纹理具有细小、分布较散等特点,不利于大理石纹识别。针对上述问题,通过对比多种光源条件,找到最佳拍摄环境,避免图像出现亮斑噪声。提取猪背最长肌横截面图的RGB颜色空间的R、G、B 3个颜色分量图,分别用阈值分割法、模糊C均值聚类分割算法(FCM)和基于高斯核的模糊C均值聚类分割算法(KFCM),对R、G、B分量图进行分割试验,通过图像处理技术自动识别出猪肉大理石纹,研究结果表明KFCM算法在R分量图上的分割结果最优。     

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。      

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。     

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。     

基于改进模糊C均值聚类算法的草坪杂草识别

【目的】为了实现草坪杂草管理的精准化施药,针对自然环境中杂草与草坪颜色相近导致杂草难以分割的问题,提出一种改进模糊C均值(Fuzzy C-means, FCM)聚类的分割算法。【方法】利用超绿算子提取感兴趣区域,融合HSV空间的多通道信息进行图像预处理,扩大杂草与草坪的特征差异。使用区域面积约束滤波范围,去除预处理图像中的草坪背景噪声,降低中值滤波造成的目标区域灰度级损失。提出一种各向灰度分布差异(Difference of gray distribution, DGD)检测算子,在聚类过程中引入像素周围不同方向的灰度分布差异特征实现草坪杂草分割。【结果】与传统FCM、FCM-S2、FCMNLS以及RSFCM算法相比,本文算法对大多数噪声区域抑制效果较好,可以实现较为理想的杂草分割效果。本文算法能有效分割草坪杂草,平均分割准确率达到91.45%,比FCM、FCM-S2、FCMNLS和RSFCM算法分别提高16.35%、4.12%、6.80%和8.06%。【结论】本文算法可有效地分割自然环境中的草坪杂草,为草坪杂草精准化施药提供了条件,具有实际应用价值。     

基于超像素的木材表面缺陷图像分割算法

使用SLIC(简单线性迭代聚类)超像素图像分割方法将木材表面缺陷图像预分割,并从提高算法速度和自适应阈值2方面对超像素合并算法进行改进;分析了DBSCAN(具有噪声的基于密度的聚类方法)聚类用于该类超像素合并中算法的复杂度,提出了自适应阈值的快速DBSCAN超像素合并算法来取得缺陷分割图像。结果表明:改进后的算法对于3类缺陷都能很好的分割,并且算法复杂度低;分割及合并的总时间为0.35 s左右,能满足在线分选的要求。     

玉米叶片病斑多光谱特征提取及识别方法

为了更好地防治玉米病害,使用BP神经网络、L-M算法优化的BP神经网络和FCM聚类算法对玉米的3种叶片病斑图像进行识别研究。利用图像处理技术对采集的图像进行预处理和阈值分割,提取3个颜色特征、9个纹理特征和7个形状特征,通过LLE算法降维获得6维的内在低维流形特征,使用3种算法对提取的特征参数进行识别。结果表明,从识别率和网络训练速度2个方面来看,L-M算法优化的BP神经网络识别率高达98.67%,且训练速度快,更适合作为玉米叶片病斑图像的识别算法。     

改进的基于模糊C-均值聚类的图像分割算法

为了提高图像分割算法的抗噪声性能,提出了一种改进的基于模糊C-均值聚类的图像分割算法.该算法首先根据邻域像素的隶属度矩阵来计算出像素和聚类中心的空间距离,然后利用空间距离和欧氏距离来重新确定像素和聚类中心的距离,最后利用新提取的距离特征和改进的FCM聚类算法对图像进行分割.实验结果表明,该算法能有效地提取目标图像,对噪声具有较强的鲁棒性,收敛速度快.

Abstract：

To enhance the noise immunity performance of the image segmentation algorithm, an improved algorithm for image segmentation based on fuzzy C-means clustering is proposed in this paper. The spatial distance between a pixel and the cluster center is calculated by the membership matrix of the neighboring pixels, and a new distance is determined by the spatial distance and the Euclidean distance. This new distance feature and the improved algorithm based on fuzzy C-means clustering are used in image segmentation. The experimental results show that the proposed algorithm is effective in getting the target image,more robust to the noises and faster than the conventional fuzzy C-means (FCM) algorithm.     

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。