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。

图像融合作为图像处理领域的一个重要分支, 已成为研究的热点问题之一。对于像素级图像融合, 多尺度多分辨率分解已被广泛应用, 但是在低频子带的处理上, 由于平均法容易导致融合图像出现模糊, 对比度下降等问题, 提出基于区域能量的低频子带融合方法; 对于高频子带, 在考虑系数本身的同时, 也考虑其邻域系数的影响。对已配准的可见光和红外源图像进行融合实验, 并对融合图像进行评价, 结果表明, 文中方法在保留图像轮廓的同时, 充分保留了图像的高频边缘及细节信息。

传统的稀疏表示分类方法仅利用图像数据的稀疏特性分类, 未利用高光谱图像的邻域信息, 为此提出了一种联合稀疏特性和邻域相似度量的分类方法.该方法首先利用稀疏表示揭示出数据的稀疏特性, 然后计算在各类样本中的稀疏相似性, 并结合邻域特性, 构建数据在各类样本中的稀疏-邻域联合相似关系, 最后根据联合相似性大小判断数据类别.在利用数据的稀疏特性的同时结合像元的邻域信息, 增强各种地物类别间的区分性, 提升分类效果.在Indian Pines和PaviaU高光谱数据集上的实验表明：本文算法的分类精度高于其他方法, 总体分类精度分别达到了81.69%和86.59%, 能得到具有更多同质区域的分类结果图, 拥有更好的总体分类精度、平均分类精度和Kappa系数.

针对传统二维Otsu算法忽略边界信息对图像分割结果有一定影响、计算时间长的问题, 研究提出了一种基于平均方差和邻域信息的改进型算法。新算法先利用中值滤波来重新构建一个二维直方图, 再用平均方差定义一个新的二维阈值选取函数, 最后对图像进行二值化处理。实验结果表明, 与传统二维Otsu法及其快速递推算法相比, 新算法有效提高了分割精度, 减少了算法的运行时间, 其运行时间仅为传统二维Otsu算法的1.55%, 大约是快速递推算法的40.69%。

传统模糊C均值聚类(FCM)算法进行图像分割时仅利用了像素的灰度信息,并且使用对噪声较敏感的欧氏距离作为像素与聚类中心距离度量的标准,因此抗噪性能较差.为了克服传统FCM算法的局限性,本文提出了一种基于空间邻域信息的二维模糊聚类图像分割方法(2DFCM).该方法利用二维直方图描述的像素邻域关系属性,一方面为聚类提供较准确的初始聚类中心,从而避免聚类中的死点问题;另一方面通过提出聚类中心同时在像素值、像素邻域值二维方向上进行更新的思想,建立了包含邻域信息的新的聚类目标函数,实现了图像的分割.实验结果表明,这种方法抗噪能力强、收敛速度快,是一种有效的模糊聚类图像分割方法.