针对图像修复过程中单一的字典迭代时间长、适应性差、修复效果不理想的缺点, 提出了一种结合图像特征聚类与字典学习的改进的图像修复方式。首先破损的图像被分割成小块, 并产生索引矩阵。然后使用控制核回归权值算法, 对其进行图像聚类。通过对图像内在结构与未破损区域信息的挖掘, 分割的图像块根据SKRW的相似性进行了分类。之后针对不同类型结构的图像, 通过自适应局部明感字典学习的方式, 获取每类字典的过完备字典。然后, 通过构建自适应局部配适器, 提高字典更新的收敛速度与稀疏字典的适应性。 因为是通过多个字典匹配不同结构的图像, 因此图像的稀疏表示更为准确。各个字典在达到收敛之前不断进行更新, 而图像的稀疏因子也会随着改变。在对破损区域进行补丁更换之后, 实现了对破损图像的修复。实验结果表明, 该算法相较于目前的修复算法, 视觉效果和客观评价上更好, 且所需的修复时间更短。

针对Itti的视觉注意模型不能很好地反应区域的边界和形状问题, 提出了一种改进的自底向上(Bottom-Up)的视觉注意模型。在经典的Itti模型基础上, 用小波变换取代了高斯金字塔分解, 改进了初始视觉特征的合并策略以得到图像的视觉显著图, 结合彩色图像聚类分析方法完成图像的感兴趣区域自动提取。实验结果表明, 自动提取的感兴趣区域更符合人眼的实际观察效果, 在复杂背景下的提取效果大大优于传统的感兴趣区域提取方法。

对小区背景下运动物体图像进行分割时多使用单目标或多目标优化方法,这类方法不能有效适应目标的动态变化,因此本文提出一种动态多目标图像分割优化方法.该方法将时间及环境动态因素作为动态因子,利用K均值(K-Means)算法和和模糊C均值(FCM)聚类算法构造多目标函数;结合动态多目标粒子群算法(DMPSO),使用背景差分法定义环境变化规则,实现动态多目标的图像分割.根据DMPSO算法优化后的聚类结果,分别与K-Means和FCM聚类方法得到的结果进行了对比.结果表明,动态多目标优化的Pareto最优解集分布均匀,图像分割准确率可达到95%,对图像识别的准确率可达到90%,具有较高的识别能力,能满足确定背景下运动物体的准确识别.

卫星云图是研究天气系统演变规律的重要信息, 云层内容从卫星云图中提取出来可以有助于云图分析, 减少陆地和海洋信息的干扰。为此采用了模糊 C均值聚类算法( FCM)进行云图聚类, 该算法具有计算效率高, 过程简单的优点, 但对初始聚类中心敏感, 容易陷入局部最优解。针对此问题, 本文将全局性良好的粒子群优化算法(PSO)引入 FCM聚类算法, 克服了初始聚类中心对全局收敛性的影响。同时, 将阴影集理论与该混合算法结合起来, 去除聚类过程中的异常值, 提高算法的效率。通过红外云图聚类对比实验得出, 改进的 FCM算法与传统的 FCM算法相比, 聚类结果图的类间距离增大, 类内距离减小, 聚类质量有所提高。