针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图...针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图像中给定的相似邻域结构的像素提取当前像素的非局部空间信息;其次,计算每个像素的典型性,并对其进行排序,在每次迭代中更新像素的典型性,提高像素聚类的准确性,解决在聚类过程中存在相似类导致的误分类问题;最后,引入子空间聚类概念,为图像不同维度分配适当的权重,提高彩色图像的分割性能.在含噪合成图像和公开数据集BSDS500,MSRA100和AID上实验结果表明,所提算法的模糊划分系数、模糊划分熵、分割精度和标准化互信息平均值分别达到了95.00%,6.66%,98.77%和95.54%,均优于对比的同类算法.展开更多
文摘针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图像中给定的相似邻域结构的像素提取当前像素的非局部空间信息;其次,计算每个像素的典型性,并对其进行排序,在每次迭代中更新像素的典型性,提高像素聚类的准确性,解决在聚类过程中存在相似类导致的误分类问题;最后,引入子空间聚类概念,为图像不同维度分配适当的权重,提高彩色图像的分割性能.在含噪合成图像和公开数据集BSDS500,MSRA100和AID上实验结果表明,所提算法的模糊划分系数、模糊划分熵、分割精度和标准化互信息平均值分别达到了95.00%,6.66%,98.77%和95.54%,均优于对比的同类算法.
文摘为了提高复杂交通环境下多目标数据关联的实时性与可靠性,本文中基于半抑制式模糊聚类(half suppressed fuzzy cmeans clustering,HSFCM)发展了一种快速多目标车辆跟踪算法。首先对多目标车辆跟踪问题进行了数学描述,并建立了相机像素坐标系与世界坐标系的空间映射关系;其次基于模糊理论将点迹-航迹关联问题转换成量测模糊聚类问题,通过求解各候选量测与聚类中心的模糊隶属度,间接计算出联合概率数据关联(joint probability data association,JPDA)算法中不确定性量测与各目标的关联概率,再利用概率加权融合对多目标状态进行滤波估计;再次在车辆密集工况下通过合理调整卡尔曼增益对量测更新进行抑制,以克服车辆跟踪中目标短暂跟丢问题。实车试验与仿真结果验证了该跟踪算法的可行性与有效性。
