一种基于自适应模糊聚类的高效图像索引方法

通过对模糊C均值聚类算法进行分析评价,提出了一种高效的自适应图像数据聚类方法,该方法采用曲线的多项式拟合技术自动获取随数据分布动态变化的阈值,改进后的算法克服了模糊C-均值聚类对聚类中心的敏感性以及聚类的局部性,并在此基础上建立了相应的索引机制.仿真实验表明,自适应模糊聚类索引大大提高了检索性能.     

基于改进树种算法的模糊聚类图像分割

元启发式人工智能优化算法应用于模糊聚类图像分割一直是研究热点.树种算法(TSA)是一种比较有效的智能优化算法,但标准TSA中的固定判断参数ST影响算法的收敛速度.为此,提出了随迭代次数逐渐增大的变量,并且将步长因子构造相应的非线性递减函数,使得迭代初期侧重于树种的全局搜索而后期侧重于局部搜索,提高TSA算法收敛的精度和速度.将改进TSA算法用于模糊C均值聚类算法(FCM)聚类中心生成的过程得到基于改进树种算法的模糊聚类(ITSA_FCM),这一举措能有效地避免FCM陷入局部最优.改进的算法具备优异的聚类效果和较快的运行速度.     

基于图像色彩和纹理的SOM聚类和检索方法

文根据图像的全局色彩和区域纹理信息,使用自组织映射神经网络的方法对图像内容进行聚类和检索。全局色彩在HSI空间使用区域累加的方法,避免了维数过大的问题。用区域纹理描述的方法解决了使用单一色彩带来的不准确性;自组织映射网络所特有的特征选择和无监督学习等特性,实现了对视觉相似图像的聚类。     

基于图像色彩和纹理的SOM聚类和检索方法

作者根据图像的全局色彩和区域纹理信息,使用自组织映射神经网络的方法对图像内容进行聚类和检索.全局色彩在HSI空间使用区域累加的方法,避免了维数过大的问题.用区域纹理描述的方法解决了使用单一色彩带来的不准确性;自组织映射网络所特有的特征选择和无监督学习等特性,实现了对视觉相似图像的聚类.     

基于快速全局模糊C均值聚类算法的脑瘤图像分割

针对经典模糊C均值聚类算法对初始聚类中心过于敏感的缺陷,提出一种快速全局模糊C均值聚类算法.该算法采用分阶段动态递增的方式选取初始聚类中心,避免了随机化设置导致的聚类结果稳定性差问题.实验分析表明,改进后的模糊C均值聚类算法在脑瘤图像分割中的聚类效果较好,多个数据集的聚类准确率也表明,快速全局模糊C均值算法的聚类稳定性明显提升.     

基于目标对象的遥感图像检索

针对有目标对象的遥感图像的特点,将图像分割成目标区域和背景区域,并在检索过程中赋予不同的权重,着重考虑目标对象的颜色、形状及空间信息特征,这样就可以避免当目标对象占整幅图像比重较小时,其特征信息容易被淹没在背景当中而造成的“伪误检”.实验结果表明,当图像中目标对象所占比重较小时,该方法与颜色直方图相比,能够更准确地查找出用户所需内容的图像.     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。     

一种基于模糊C均值聚类的图像区域分割方法

提出一种基于模糊C均值聚类的彩色图像区域分割方法。该方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征;然后,利用模糊C均值聚类方法进行聚类,利用提出的确定最佳聚类簇数的方法,确定聚类簇数、中心等参数;根据每个像素的隶属函度,将像素初步划归不同的组,利用连接原理对图像区域进一步分割,并提供了图像描述特征。实验结果表明,该方法分割效果很好。     

基于特征点组合聚类的图像检索新方法

由于特征点能对图像局部特征进行合理描述,有效使用特征点实现基于内容的图像检索成为当前计算机视觉领域中的热点问题.针对该问题,提出一种基于特征点组合聚类的图像检索新方法.该方法包括特征点组合聚类算法,以及基于该算法的局部颜色直方图构建策略.与现有的基于特征点和局部颜色直方图的检索方法相比,该方法能有效解决当前方法对特征点位置信息及特征点中心过度依赖的问题.从公共图像库上的实验结果可以看出,该方法与现有方法相比具有较高的检索精度.     

基于模糊C均值聚类能量最小化的超声图像分割

 提出了基于模糊C均值能量最小化的活动轮廓模型.该模型首先对待分割图像进行模糊C均值聚类得到前景和背景的模糊隶属度值,然后将待分割目标的局部像素信息和它的隶属度值作为活动轮廓模型的水平集函数的初始值,改进了传统的求解Euler-Lagrange方程使活动轮廓的能量极小化的模型,利用快速算法直接计算模糊C均值能量最小化驱动传统活动轮廓模型的曲线演化.将提出算法与经典的活动轮廓模型分割算法比较,对仿真和临床的超声图像分割实验结果表明：提出算法能很好地分割像素不均匀、边界模糊、含有斑点噪声的超声图像,具有较好的分割性能和较快的分割速度.     

基于重选择流形排序的图像检索

在研究已有基于流形排序图像检索算法存在问题的基础上,提出一种基于重选择流形排序的图像检索算法,此算法可以在节约时间的同时,进一步提高检索结果的精度,并在实际图像数据库中的实验结果验证了此算法的有效性.     

基于颜色及空间信息的图象检索方法

为解决目前的颜色检索方法多没有较好地结合图象的空间分布特征的问题,采用改进的区域增长法对图象进行分割,即先检查各区域的均匀性,对不均匀区域进行分裂。在一定程度上改善了对纹理图象的分割效果。然后根据分割区域的灰度、形状、空间位置等特征计算图象间的相似度。并提出采用图象的灰度特征代替彩色信息以提高查询速度。     

基于颜色空间特征的图像检索

针对基于内容的图像检索技术大多采用颜色特征的情况,提出一种通过提取颜色特征、灰度特征,获取图像物体的形状和空间特征,综合检索图像的方法.实验结果表明,这种方法具有一定的鲁棒性,检索结果不受图像大小、旋转和轻微的光照变化的影响,相对于传统的颜色直方图法,这种方法能明显改善检索效果.     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

基于颜色和空间特征的图像检索

提出一种新的基于颜色和空间特征的图像检索算法。首先,将检索图像转换为HSV颜色空间并进行量化,提取环形颜色空间信息熵作为颜色空间分布特征。其次,计算每个像素点的多邻域的量化颜色值的一、二阶中心矩,利用各阶统计矩的信息熵来表征图像颜色的局部空间特征。最后,对特征向量进行高斯归一化,采用特征向量的L1-norm距离计算彩色图像的相似度并进行图像检索。试验结果表明该方法比CDE和Geostat算法具有较好的检索效果。     

基于内容图像检索系统的性能改进方法

在通用型的CBIR原型系统的基础上,首先讨论CBIR系统的性能指标,并对CBIR系统的检索性能改进方法 进行了研究;然后重点讨论了异种特征的组合查询和相关反馈两种性能改进技术,并使用原型系统对以上两种技术进行了测试,使图像检索的查准率和查到率得到明显改善,并有效地增强了CBIR系统的灵活性。     

利用颜色向量角直方图进行基于内容的图像检索

分析颜色直方图在基于内容的图像检索（content-based image retrieval,CBIR）中存在的问题,提出一种应用图像边缘空间分布的检索方法.利用颜色向量角对亮度不敏感,对色度和饱和度敏感的特性提取彩色图像边缘.在图像的边缘像素及其近邻提取颜色向量角直方图,同时在图像的平滑像素区提取颜色直方图,将两种直方图结合起来用以描述图像内容.该方法较充分地利用了图像的颜色、边缘、形状信息,具有良好的光照不变性,与颜色直方图法相比,检索效果有明显改善.     

A dynamic fuzzy clustering method based on genetic algorithm

A dynamic fuzzy clustering method is presented based on the genetic algorithm. By calculating the fuzzy dissimilarity between samples the essential associations among samples are modeled factually. The fuzzy dissimilarity between two samples is mapped into their Euclidean distance, that is, the high dimensional samples are mapped into the two-dimensional plane. The mapping is optimized globally by the genetic algorithm, which adjusts the coordinates of each sample, and thus the Euclidean distance, to approximate to the fuzzy dissimilarity between samples gradually. A key advantage of the proposed method is that the clustering is independent of the space distribution of input samples, which improves the flexibility and visualization. This method possesses characteristics of a faster convergence rate and more exact clustering than some typical clustering algorithms. Simulated experiments show the feasibility and availability of the proposed method.