共查询到19条相似文献，搜索用时 312 毫秒
1.
2.
模糊c均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法没有考虑像素的灰度和空间特征,对噪声十分敏感。提出了一种基于直方图的加权模糊c均值(WFCM)聚类的图像分割方法,在传统的FCM聚类的基础上,该方法考虑了灰度直方图的灰度、邻域像素灰度的相关性对图像进行加权聚类分割。实验结果表明,该方法可显著提高图像分割的速度和精度。 相似文献
3.
王惠 《宁波职业技术学院学报》2016,(4):89-91
针对标准FCM算法在算法迭代中忽略像素的空间信息,提出了一种结合像素空间邻域信息改进的FCM图像分割算法(SAFCM)。新算法首先计算出像素的邻域平均值,然后求出邻域平均值和像素的差异,把该差异值作为空间信息的影响权值,利用像素值和空间信息构造新的目标函数,从而实现图像的分割。仿真实验表明,新算法能够更好的抑制噪声,降低噪声敏感性,提高图像的分割质量。 相似文献
4.
传统模糊C均值算法没有充分利用像素周围的空间信息,所以算法抗噪效果不理想,且该算法仅利用像素隶属度信息,分割规则过于单一。因此,提出一种基于包含度及空间信息的聚类算法以提高图像分割抗噪性和准确性。首先将包含度信息加入到目标函数中,以弥补隶属度单一化的不足;其次将像素周围的邻域信息作为空间信息加入到目标函数中,使用信息熵与交叉熵调节像素信息和空间信息之间的权重;最后使用梯度下降法优化该目标函数以便对图像进行正确分割。以4组卫星图像为例进行分割,并分别与FCM算法、PCM算法、AFCM_S1算法进行对比。实验结果表明,基于包含度和空间信息的聚类算法对噪声点具有较好的处理效果,可提升分割精度和负率度。 相似文献
5.
6.
7.
改进的邻域均值滤波去噪算法研究 总被引：1，自引：0，他引：1
邻域均值滤波算法作为图像去噪算法的经典方法,不仅可以有效地消除噪声对图像的干扰程度,并且能够快速平滑图像,但它的缺点是会使图像边缘模糊,窗口越大,模糊程度越明显。本文针对椒盐噪声,分析原邻域均值滤波算法,通过与能量最小化原理相结合,提出新的改进的邻域均值滤波算法,这个算法构造了两个不同能量最小化函数模型,即E1模型和E2模型。两个模型均从图像像素点局部邻域出发,通过求解局部邻域能量最小判断是否利用邻域均值替换原像素灰度值。这个新的去噪算法不仅改变了原邻域均值滤波算法单一的替换灰度值的做法,降低了将非噪声点误判为噪声点的可能性,并且可以根据图像的大小自适应调节阈值,最后达到去除噪声的效果。通过与邻域均值滤波算法进行实验对比,取得较好的去除噪声效果。 相似文献
8.
Fuzzy C-Means(FCM)模糊c均值聚类算法是一个应用广泛、有效的无监督聚类算法。但传统FCM算法存在对所有样本等划分的缺点,导致聚类精度不高、鲁棒性不强。针对上述问题,从整体上引入点密度关系,从局部上引入点邻域信息,用以标记每个样本点,提出基于点密度和邻域信息的模糊c均值算法（DLFCM）。该算法能标记每个不同的样本,克服了FCM算法等划分的缺点,提高了算法的聚类精度和鲁棒性。人造数据集和UCI真实数据集实验验证了该算法的有效性。 相似文献
9.
张健 《湖州职业技术学院学报》2014,(1):84-87,91
图像分割是一种对不同特征的像素进行聚类的过程,过程中涉及像素的梯度、灰度及邻域特征。由于蚁群算法的离散性、并行性、全局优化性和稳定性等特点,基于蚁群算法提出一种有效的图像分割改进算法。首先通过蚁群改进算法的模糊聚类能力可以分别计算出像素与目标、背景、噪声点、边界点的隶属关系;然后对于蚁群算法循环次数多、计算量较大的问题,设置启发式引导函数和聚类中心,解决传统聚类中运行效率低、初始化敏感度高等缺点;最后引入梯度算子,对目标与背景灰度值相似图像进行分割,对结果进行了进一步的优化。实验表明,应用该改进算法得到的图像分割结果具有较高的准确度和效率。 相似文献
10.
宋娈娈 《商丘师范学院学报》2014,(12):10-14
针对模糊C均值（ FCM）图像分割算法受初始值影响较大以及对噪声的抑制作用较差的问题,提出一种基于图像滤波的加权FCM图像分割算法。该算法采用快速FCM算法进行初分割,降低了初始值的影响,同时引入自适应中值滤波器,并与加权FCM 算法相结合进行迭代滤波分割,不仅能很好地抑制噪声的影响而且能使分割更精确。利用该算法分别对人工合成的和真实的含噪图像进行分割实验,实验结果表明：本文算法对含噪图像有很好的分割结果。 相似文献
11.
To extract region of interests (ROI) in brain magnetic resonance imaging (MRI) with more than two objects and improve the segmentation accuracy, a hybrid model of a kernel-based fuzzy c-means(KFCM) clustering algorithm and Chan-Vese (CV) model for brain MRI segmentation is proposed. The approach consists of two successive stages. Firstly, the KFCM is used to make a coarse segmentation, which achieves the automatic selection of initial contour. Then an improved CV model is utilized to subdivide the image. Fuzzy membership degree from KFCM clustering is incorporated into the fidelity term of the 2-phase piecewise constant CV model to obtain accurate multi-object segmentation. Experimental results show that the proposed model has advantages both in accuracy and in robustness to noise in comparison with fuzzy c-means (FCM) clustering, KFCM, and the hybrid model of FCM and CV on brain MRI segmentation. 相似文献
12.
李爱国 《常熟理工学院学报》2007,21(8):104-107
针对传统的模糊聚类算法(FCM)的不足,提出了具体的改进和提高方法,通过修改聚类目标函数来提高算法处理噪音点的能力和体现样本空间各维度对聚类效果的价值。最后通过实验比较证明了算法的有效性。 相似文献
13.
李玉梅 《天津职业院校联合学报》2011,13(2):78-81
论文提出了一种基于蚁群动态模糊聚类算法的计算机图像分割方法,有效地利用蚁群算法的聚类分析能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心。然后利用蚁群聚类算法得到的模型进行修改,再进行模糊聚类弥补蚁群算法的不足。最后将该算法应用到计算机图像分割技术。对比实验表明,该算法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。 相似文献
14.
基于平稳小波变换的高鲁棒性的边缘提取 总被引：4，自引：0，他引：4
借鉴平稳小波变换的多尺度分析思想,结合模糊聚类均值法,提出了一种高鲁棒性的图像边缘提取算法.该算法利用平稳小波变换的位移不变性,将小波分解后的分量进行配准构成一像素的特征向量,然后利用模糊c-均值进行无监督分类,分割图像,最后用Canny算子提取图像边缘.用一系列附加不同强度的高斯白噪声图像测试了该算法的有效性.实验证明在图像受到较强噪声(如附加高斯白噪声)污染时,该算法仍可检测到较好的边缘效果,展现出良好的鲁棒性. 相似文献
15.
为解决传统谱聚类算法在图像分割时计算量大、使用单一特征分割的局限性问题,设计一种融合谱聚类和多特征的图像分割算法。首先进行超像素分割以减少计算量,分别提取每个超像素的颜色特征和纹理特征,构建超像素相似度矩阵|然后采用特征加权方法线性融合颜色和纹理特征的超像素相似度矩阵|最后采用谱聚类算法进行聚类分割。在UCMerced_LandUse和Berkeley数据集上进行实验测试,并与现有方法进行比较。实验结果表明,大多数实验图像IOU指标均在90%以上,相比于传统方法有了显著提高。 相似文献
16.
提出了一种新的图象噪声消除算法,该方法可以快速有效地去除图象中的脉冲噪声,并保留图象的细节.该算法主要通过利用象素点的值在滤波窗口出现的概率密度信息,进行噪声的判定及滤波过程的介绍,对本算法进行了分析仿真,结果表明该算法去除噪声与保留细节的效果好,且运算速度较快. 相似文献
17.
18.
针对传统Grabcut分割方法难以很好处理图像阴影部分及分割时间过长的问题,提出结合K-means聚类算法与Grabcut函数的方法改善以上问题。该方法通过直方图均衡化实现图像增强,然后利用K-means算法以二分类的形式对像素进行聚类,利用形态学处理填充孔洞,自动获取目标物体轮廓后,结合Grabcut算法实现图像二次分割,最后利用颜色判定改善图像阴影部分。实验结果表明,该方法可实现图像自动分割、节省大量时间,而且对阴影部分图像处理有明显改善,具有较高的准确性和高效性。 相似文献
19.
提出了一种基于先检测、后滤波的椒盐噪声滤除GPU实现算法。该算法首先依据椒盐噪声的特征,将图像像素分为噪声和信号,然后对噪声像素作标准中值滤波,如果中值为信号,则用中值代替噪声像素灰度值;如果中值为噪声,则取中值邻域,如果中值邻域为信号,则用它代替噪声像素灰度值;否则扩大邻域窗口,重复算法。但随着图像规模的增大,在CPU上执行的时间显著增加。分析并利用图形处理器（GPU）的并行处理特征,并在GPU上实现了本文算法。实验结果表明所提出的算法较经典的自适应中值滤波算法有较好的去噪效果和边缘保护能力,并且随着图像规模的增大,算法执行时间较CPU可以提高最多3个数量级。 相似文献