在图像分割中,考虑邻域信息的模糊C均值算法能够有效地降低噪声对图像的干扰,但这类算法需额外引入参数,且无损检测图像的较大类间差异易导致分割失败。为此,提出基于图像块的类间差异不敏感的模糊C均值算法。利用像素所在的图像块代替像素进入聚类进程,图像块内像素的权重由像素的空间距离和灰度大小自适应确定。基于信息量的概念,给出类信息量表征形式并将其引入目标函数以改善常见模糊C均值算法对类间差异敏感的缺陷。基于新构建的目标函数得到新的隶属度和聚类中心表达式,并给出算法流程。最后,利用类间差异较大的无损检测图像对所提算法进行测试,结果表明:与其他模糊聚类算法相比,本文算法具有更高的分割准确率和更好的视觉效果。

广义模糊C均值算法是一种比模糊C均值算法收敛速度更快的算法,然而它在分割灰度图像时对噪声敏感。为了改善其鲁棒性,提出基于图像块的像素灰度值加权的广义模糊C均值算法。该算法利用图像块代替单个像素构建目标函数,图像块内各像素的权重由邻域像素和中心像素空间关系及图像块内各像素灰度关系综合确定。以新目标函数为基础,利用拉格朗日乘子法推导出含图像块形式的隶属度和聚类中心表达式。通过这种方式,将邻域信息融入进聚类进程,提升算法的鲁棒性。利用合成图像和实际图像进行分割实验,结果表明:所提算法具有较强的鲁棒性和良好的分割性能。

基于灰度级的模糊C均值算法是一种快速的图像分割算法。因为无损检测图像灰度分布不均衡, 该算法不能有效分割图像中的目标与背景, 故提出一种改进的基于灰度级的模糊C均值算法 (IFCMG)。首先, 利用灰度级像素数和隶属度构造类的总隶属度表达式并将其融入目标函数中以均衡化目标像素和灰度像素对目标函数的贡献。接着, 推导基于新目标函数的隶属度和聚类中心。然 后, 考虑到类的密度也会影响聚类结果, 设计类的紧密度表征形式并将其融入聚类进程。最后, 采用无损检测图像进行分割实验。对于每幅图像, 本文算法具有较高的F_value指标值。利用综合评 价公式对所有F_value值进行评价, 本文算法综合评价值比对比算法分别高出26.13%, 16.46%, 13.75%, 25.10%。本文算法能够有效分割具有灰度分布不均衡特征的无损检测图像, 扩展了基于灰度 级的模糊C均值聚类算法的应用范围。

常见的模糊聚类算法不能有效分割具有类大小不均衡特性的图像,为此,提出对类大小不敏感的模糊C均值聚类图像分割算法。首先将类大小引入至含邻域信息模糊聚类算法(FCM_S)的目标函数中,使得类大小在目标函数中发挥作用,从而能均衡较大类和较小类对目标函数的贡献,弱化算法对类大小不均衡的敏感度并推导出新的隶属度函数和聚类中心;然后提出用紧密度来表征每一类中像素的分布状态,并将其引入至聚类的迭代进程;最后利用符合类大小不均衡特征的无损检测图像进行算法验证。结果表明:本文算法能够展示出更好的视觉分割效果,而且从分割准确率(SA)和调整兰德指数(ARI)上看也更优异,由此显示本文算法具有抗噪性及对类大小不敏感的特性。

由于图像噪声强度和边界的不确定性,图像分割算法的抗噪性和准确性是一项具有挑战性的任务,提出两种改进的模糊聚类算法用于图像分割。本文算法共分两步:第一步利用各像素邻域信息自适应地对中心像素进行噪声可能性检测,噪声与图像细节参数用以构建新的加权图像,结合新图像给出两种新颖的模糊聚类算法;第二步对分割结果中可能存在的错分点进行检测并对其进行后处理,从而提高分割准确度和视觉效果。在不同的噪声水平下,利用人工合成图像、Berkeley图像及其他图像对本文算法进行分割实验,结果表明,相比于其他模糊聚类算法,本文算法在分割准确率和ARI(Adjusted Rand Index)上具有优势,而且分割结果图像轮廓清晰,视觉效果更好。