基于聚类的医学图像分割法

提出了一种基于量子粒子群的改进模糊聚类图像分割算法。针对FCM图像分割算法对聚类中心初始值比较敏感的缺点,利用量子粒子群优化算法强大的全局搜索能力寻找最优解,能够有效降低图像分割算法对初始值的依赖程度

模糊C均值(FCM)被广泛应用于彩色图像分割中,但传统的模糊C均值由于没有考虑空间信息,因此对噪声特别敏感。针对此问题,提出了一种在HIS颜色空间结合像素邻域空间信息的模糊聚类新方法。实验结果表明,此

基于二维直方图的图像模糊聚类分割方法，内有算法的参考论文。-Two-dimensionalhistogrambasedonfuzzyclusteringimagesegmentationalgorit

针对图像分割的性能分析问题，运用灰色聚类决策技术建立一种多层次的综合评估方法。该方法通过图像多个分割指标的特点，得到合适的白化函数，再通过白化函数和灰色聚类权值的分析计算，将收集到的分散信息生成灰色聚

基于K-means聚类算法的图像分割算法的基本原理： 基于K-means聚类算法的图像分割以图像中的像素为数据点，按照指定的簇数进行聚类，然后将每个像素点以其对应的聚类中心替代，重构该图像。算法步骤：

基于K均值聚类与区域合并的彩色图像分割算法u,相信ou有用的

segamentation另外上传了,两个py文件放在同一目录运行主函数即可

在进行图像区域分割时, 为了减少过度分割现象, 可利用K 均值算法简单、快速并且能够有效地处理大数据库的优点及概率松弛算法并行快速且考虑空间信息的优点, 同时考虑灰度信息和空间信息将两种方法相结合应用

基于纹理的图像聚类主要分为纹理特征提取和聚类两个阶段。

综合现在的各种图像分割方法,并且提出改进方法