Fuzzy Positive Learning for Semi-supervised Semantic Segmentation
Peking University（北京大学）；Pengcheng Laboratory（鹏城实验室）；Tsinghua University（清华大学）
半监督学习（SSL）本质上追求类边界探索，对人类注释的依赖性较小。虽然典型的尝试集中在改善不可避免的容易出错的伪标签，我们认为不同的，并诉诸于从多个可能正确的候选标签耗尽信息语义。在本文中，我们引入了模糊积极学习（FPL），以即插即用的方式进行准确的SSL语义分割，目标是自适应地鼓励模糊积极预测，并抑制高概率的消极。FPL概念简单，但实际有效，可以显着减少错误的伪标签的干扰，并逐步实现清晰的像素级语义区分。具体地说，我们的FPL方法由两个主要组成部分，包括模糊正分配（FPA），为每个像素提供自适应数量的标签和模糊正正则化（FPR），以限制模糊正类别的预测在不同的扰动下大于其余的。理论分析和广泛的实验Cityscapes和VOC 2012与一致的性能增益证明了我们的方法的优越性。
2022-11-19 cs.CV
A New Approach to Lung Image Segmentation using Fuzzy Possibilistic C-Means Algorithm
Velalar College Of Engineering and Technology（维拉拉尔工程技术学院）；Kongu Engineering College（孔古工程学院）
图像分割是图像处理的重要组成部分。分割在医学图像领域有着广泛的应用，以诊断奇怪的疾病。可以手动分割相同的医学图像。但与人工分割相比，利用该算法进行图像分割的准确性更高。在医学诊断领域中，目前可获得广泛多样的成像技术，诸如放射线照相术、计算机断层摄影（CT）和磁共振成像（MRI）。医学图像分割是后续图像分析任务的重要步骤。虽然原始的FCM算法对无噪声图像的分割有很好的效果，但它不能分割被噪声、离群点和其他成像伪影污染的图像。提出了一种基于改进模糊C均值（FCM）和模糊可能性C均值（FPCM）的图像分割方法。该方法是标准模糊C均值聚类（FCM）算法的一个推广版本。通过对标准技术的改进，消除了传统FCM技术的局限性。改进的FCM算法是通过修改标准FCM算法的距离度量来制定的，以允许标记的像素受到其他像素的影响，并抑制在分割过程中的噪声影响。在目标函数中不是有一个项，而是包括第二项，迫使成员资格尽可能高，而没有最大限制约束。在真实图像上进行实验，以研究所提出的改进的FCM技术在分割医学图像的性能。通过对标准FCM、改进FCM、模糊可能性C均值算法（FPCM）的比较，探讨了该方法的准确性。
2010-04-11 cs.CV
Fuzzy Clustering Based Segmentation Of Vertebrae in T1-Weighted Spinal MR Images
IIT-Madras（印度理工学院马德拉斯分校）
由于图像分辨率低、对比度有限，医学领域的图像分割是一个具有挑战性的领域。主要使用的传统分割技术和阈值化方法由于严重依赖于用户交互而受到限制。这些技术无法捕捉到图像中普遍存在的不确定性。当图像被噪声、异常值和其他伪影破坏时，性能进一步恶化。本文的目的是开发一种有效的鲁棒模糊C均值聚类分割椎体磁共振图像，由于其无监督的学习形式。这项工作的动机是检测脊柱几何形状和适当的定位和标记将提高医生的诊断输出。将该方法与Otsu阈值法和K-means聚类法进行了比较，并以放射科医师的标注图像为参考标准，采用Dice系数和Hausdorff距离度量对分割效果进行了评价。
2016-05-09 cs.CV
Color Image Segmentation using Adaptive Particle Swarm Optimization and Fuzzy C-means
National Institute of Technology, Mizoram（米佐拉姆国家理工学院）
分割将图像划分为包含具有相似属性的像素的不同区域。模糊C均值聚类算法（FCM）的标准非上下文变体，考虑到其简单性，通常用于图像分割。使用FCM有其缺点，如它依赖于初始猜测的聚类数和高度敏感的噪声。使用FCM不能获得令人满意的视觉分割。粒子群优化算法（PSO）属于进化算法，与遗传算法（GA）相比，具有收敛速度快、参数少等优点。一个优化版本的粒子群算法可以与FCM相结合，作为一个适当的初始化，从而降低其对初始猜测的敏感性。可以使用名为自适应粒子群优化（APSO）的混合PSO算法，其改进了各种超参数（如惯性权重）的计算，学习因子超过标准PSO，使用来自群体行为的见解，从而提高聚类质量。提出了一种基于自适应粒子群优化（APSO）和模糊C均值聚类的图像分割算法--自适应粒子群优化模糊C均值聚类算法（APSOF）。实验结果表明，APSOF算法在正确识别最优聚类中心方面优于FCM算法，从而对图像像素点进行准确分类。因此，APSOF算法具有优越的性能相比，经典的粒子群优化算法（PSO）和模糊C均值聚类算法（FCM）的图像分割。
2020-04-18 cs.CV
Fuzzy Semantic Segmentation of Breast Ultrasound Image with Breast Anatomy Constraints
Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）；the First Affiliated Hospital of Harbin Medical University（哈尔滨医科大学附属第一医院）
乳腺癌是影响妇女健康的最严重疾病之一。由于低成本、便携式、无辐射和高效率，乳腺超声（BUS）成像是诊断早期乳腺癌最流行的方法。然而，超声图像分辨率低，质量差。因此，开发精确的检测系统是一项具有挑战性的任务。在本文中，我们提出了一种全自动分割算法，由两部分组成：模糊全卷积网络和精确微调后处理的基础上，乳房解剖约束。在第一部分中，图像进行对比度增强预处理，并采用小波特征进行图像增强。模糊隶属函数将增强的BUS图像转换到模糊域。来自卷积层的特征也使用模糊逻辑进行处理。条件随机场（CRF）对分割结果进行后处理。利用乳房解剖层之间的位置关系来提高性能。将该方法应用于325个BUS图像的数据集，与现有方法相比，该方法在肿瘤类别上的真阳性率为90.33%，假阳性率为9.00%，交集大于并集（IoU）为81.29%，并且在五个类别上的总体交集大于并集（mIoU）为80.47%，达到了最先进的性能：脂肪层、乳腺层、肌肉层、背景和肿瘤。
2019-10-23 cs.CV
An Intuitionistic Fuzzy Logic Driven UNet architecture: Application to Brain Image segmentation
Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh, India（印度乌塔兰普尔邦巴雷利学院数学系）；Division of Newborn Medicine, Fetal Neonatal Neuroimaging and Developmental Science Center, Boston Children’s Hospital, Harvard Medical School, Boston, MA 02115, USA（美国哈佛医学院波士顿儿童医院新生儿医学部）；Department of Pediatrics, Harvard Medical School, Boston, MA, USA（美国哈佛医学院儿科系）；CSIR–Central Electronics Engineering Research Institute, Pilani 333031, Rajasthan, India（印度拉贾斯坦邦比拉尼中央电子工程研究机构）；Academy of Scientific and Innovative Research (AcSIR), Ghaziabad 201002, India（印度德里阿齐亚德瓦学术与创新研究院）；CSIR–National Institute of Science Communication and Policy Research, New Delhi, India（印度新德里国家科学传播与政策研究所）
本文提出基于直觉模糊逻辑的UNet架构，用于提升脑图像分割中对不确定性的处理能力。
2026-02-04 cs.CV
G-image Segmentation: Similarity-preserving Fuzzy C-Means with Spatial Information Constraint in Wavelet Space
G图像是指定义在不规则图域上的图像数据。本文阐述了一种基于相似性保持的模糊C均值（FCM）算法的G图像分割方法，旨在开发G图像分割技术和工具。为了保持图像中任意像素与其邻域之间的隶属度相似性，在隶属度划分中引入Kullback-Leibler散度项作为FCM的一部分。在此基础上，提出了一种考虑图像像素空间信息的相似性保持模糊C均值算法，以增强算法的鲁棒性。由于小波空间的优越特性，建议的FCM在此空间中进行，而不是在传统的FCM中使用的欧几里德，以确保其高鲁棒性。在合成和真实G图像上的实验表明，它确实比最先进的FCM算法具有更高的鲁棒性和性能。此外，它需要的计算量比大多数方法都少。
2020-07-01 cs.CV
Fuzzy Rank-based Late Fusion Technique for Cytology image Segmentation
Jadavpur University（贾达普大学）；Theism Medical Diagnostics Centre（蒂斯姆医疗诊断中心）
本文提出一种基于模糊排序的晚期融合技术，整合UNet、SegNet和PSPNet模型，在宫颈和乳腺细胞学图像分割上分别达到84.27%和83.79%的MeanIoU，优于传统融合规则。
2024-03-16 cs.CV
FDiff-Fusion:Denoising diffusion fusion network based on fuzzy learning for 3D medical image segmentation
Nantong University（南通大学）；School of Artificial Intelligence and Computer Science（人工智能与计算机学院）
针对医学图像分割中边界不确定、区域模糊导致结果不稳定的问题，提出融合去噪扩散模型与U-Net的FDiff-Fusion，并在BRATS 2020和BTCV上验证其Dice与HD95性能优势。
2024-07-22 cs.CV
High-Resolution Segmentation of Tooth Root Fuzzy Edge Based on Polynomial Curve Fitting with Landmark Detection
口腔X线检查作为根管治疗诊断中最经济、最常规的辅助检查，已被口腔科医生广泛应用。传统的图像分割方法在分割边缘模糊的牙根时仍具有一定的挑战性。为此，我们提出了一种基于多项式曲线拟合与地标检测（HS-PCL）的高分辨率分割模型。该方法通过检测均匀分布在牙根边缘的多个特征点，拟合出一条光滑的多项式曲线作为牙根的分割，从而解决了边缘模糊的问题。在我们的模型中，最大数量的最短距离算法（MNSDA）提出了自动减少的负面影响的错误地标，被错误地检测和偏离牙根的拟合结果。数值实验结果表明，该方法不仅使Hausdorff 95（HD 95）和平均表面距离（ASD）分别减少了33.9%和42.1%，而且在微小数据量上也取得了良好的效果，大大提高了利用医学图像计算进行根管治疗效果自动评估的可行性。
2021-05-29 cs.CV
CLFSeg: A Fuzzy-Logic based Solution for Boundary Clarity and Uncertainty Reduction in Medical Image Segmentation
UIET-H, Panjab University, Hoshiarpur, India（旁遮普大学UIET-H分校）
针对传统CNN医学图像分割模型泛化性差、难处理不确定性等问题，提出融合模糊卷积模块的CLFSeg框架，结合BCE与dice损失，在四个公开数据集上超越SOTA，兼顾性能与效率，适用于医疗诊断场景。
2025-10-28 cs.CV
State-of-The-Art Fuzzy Active Contour Models for Image Segmentation
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；Indian Statistical Institute, Kolkata（加尔各答印度统计研究所）
图像分割是每个图像分析任务的初始步骤。几十年来，文献中提出了各种各样的分割算法，取得了一定的成功。其中，基于模糊能量的主动轮廓模型在近十年来得到了研究者的广泛关注，发展了多种方法。一个好的分割算法应该在大量包含噪声、模糊、低对比度、区域不均匀性等的图像中表现良好。然而，大多数现有的基于模糊能量的活动轮廓模型的性能通常是在有限数量的图像上进行评估的。在这篇文章中，我们的目的是审查现有的模糊主动轮廓模型从理论的角度来看，也评估他们的实验上的一个大的图像集在各种条件下。大量的各种图像下的分析提供了客观的洞察各种模糊活动轮廓模型的优点和缺点。最后，我们讨论了几个问题和未来的研究方向在这个特定的主题。
2020-08-01 cs.CV eess.IV
Spatial Fuzzy C Means PET Image Segmentation of Neurodegenerative Disorder
Sathyabama University（萨蒂亚巴马大学）；Alpha College of Engineering（阿尔法工程学院）
核成像是医学领域一项很有前途的研究工作。来自不同模态的图像满足其自身的挑战。正电子发射断层扫描（PET）图像可以帮助精确定位疾病，以帮助为每个病例制定正确的治疗计划并节省宝贵的时间。提出了一种基于PET扫描图像的空间模糊C均值聚类算法。该算法将空间邻域信息与传统的模糊C均值算法相结合，并对每个聚类的目标函数进行更新。该算法的实施和测试的巨大数据汇集的患者与脑神经退行性疾病，如阿尔茨海默氏症。它已经通过对真实世界患者数据集的测试证明了其有效性。实验结果与传统的FCM和K均值聚类算法进行了比较。与其他两种算法相比，PET SFCM的性能得到了令人满意的结果
2013-03-04 cs.CV
Possibilistic Fuzzy Local Information C-Means with Automated Feature Selection for Seafloor Segmentation
University of Florida（佛罗里达大学）；University of Missouri（密苏里大学）
提出了一种将侧视合成孔径声纳（SAS）图像分割成不同海底区域的可能性模糊局部信息C均值（PPLICM）方法。在这项工作中，我们调查并提出了一个自动的特征选择的SAS图像分割方法的结果。将根据选择的定量聚类有效性标准评估所选特征和从图像中得到的分割，并且将使用达到期望阈值的特征子集进行分割过程。
2021-10-14 cs.CV cs.LG
A Multiphase Image Segmentation Based on Fuzzy Membership Functions and L1-norm Fidelity
East China Normal University（华东师范大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Michigan State University（密歇根州立大学）
本文提出了一种基于模糊隶属函数和L1模保真度的变分多相图像分割模型。然后，我们应用乘子的交替方向法来解决一个等价的问题。所有的子问题都可以有效地解决。具体来说，我们提出了一种快速的方法来计算模糊中值。实验结果表明，基于L1范数的方法比基于L2范数的方法对脉冲噪声等异常值具有更好的鲁棒性，并且保持了更好的对比度。在理论上证明了极小元的存在性，并分析了算法的收敛性。
2016-02-12 cs.CV math.OC
Texture Fuzzy Segmentation using Skew Divergence Adaptive Affinity Functions
Federal University at Rio Grande do Norte（北里奥格兰德联邦大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Brazilian Federal Highway Police Station（巴西联邦公路警察局）；Universidad Nacional Autónoma de México（墨西哥国立自治大学）
数字图像分割是指对数字图像中的不同对象分配不同标签的过程，模糊分割算法已成功地用于从各种源中分割图像。然而，传统的模糊分割算法无法分割的对象，其特征在于纹理的模式不能成功地描述简单的统计计算在一个非常有限的区域。在本文中，我们提出了一个扩展的模糊分割算法，使用自适应纹理的亲和函数来执行二维图像上的对象的分割。自适应亲和度函数根据正在处理的纹理的特性，在计算种子拼写（空间元素）周围的纹理描述符时计算其适当的邻域大小。然后，该算法分割图像与每个对象的适当的邻域。我们进行了实验的马赛克图像，使用Brodatz数据库中的图像组成，并将我们的结果与最近出版的纹理分割算法，显示我们的方法的适用性。
2017-10-07 cs.AI cs.CV cs.GR
GPU-Based Fuzzy C-Means Clustering Algorithm for Image Segmentation
Universiti Sains Malaysia（马来西亚理科大学）
提出了一种基于GPU的快速实用的模糊C均值（FCM）聚类图像分割算法。首先，进行了广泛的分析，以研究并行化算法中的图像像素之间的依赖性。提出的基于GPU的FCM已经在数字脑模拟数据集上进行了测试，以分割白质（WM），灰质（GM）和脑脊液（CSF）软组织区域。对于大小为1MB的图像数据集，顺序FCM的执行时间为519秒。而提出的基于GPU的FCM算法对于相似大小的图像数据集只需要2.33秒。在具有448个处理器的CUDA设备上，对于40 KB的数据大小，估计有245倍的加速。
2016-03-28 cs.CV cs.DC
Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation
虽然图像的空间信息通常增强了模糊C均值（FCM）算法的鲁棒性，但它大大增加了图像分割的计算量。为了实现分割性能和聚类速度之间的良好权衡，我们提出了一个Kullback-Leibler（KL）的分歧为基础的FCM算法，将紧小波框架变换和形态重建操作。为了提高FCM的鲁棒性，首先通过使用形态学重构对观察图像进行滤波。采用紧小波框架系统对观测图像和滤波图像进行分解，形成特征集。将这些特征集作为聚类的数据，提出了一种改进的FCM算法，该算法在目标函数中引入了划分矩阵中的KL发散项。KL散度项的引入使得图像中每个像素的隶属度与相邻像素的隶属度更加接近，从而使得隶属度划分更加合理，简化了FCM的参数设置。在得到的分割矩阵和原型的基础上，通过最小化修正目标函数的逆过程来重构分割后的特征集。为了修改重建过程中产生的异常特征，将每个重建特征重新分配给最接近的原型。结果表明，基于KL散度的FCM的分割精度得到了进一步提高。分割后的图像通过小波紧框架重构操作进行重构。最后，支持实验处理合成，医学和彩色图像的报告。实验结果表明，该算法效果良好，具有更好的分割性能比其他比较算法。此外，该算法需要更少的时间比大多数FCM相关的算法。
2020-07-01 cs.CV
Minding Fuzzy Regions: A Data-driven Alternating Learning Paradigm for Stable Lesion Segmentation
School of Software, Shandong University（山东大学软件学院）
针对病灶边界模糊和噪声标签导致分割不稳定的问题，提出 DALE 交替学习范式，通过损失一致性协同优化与分布对齐提升训练稳定性，实验显示平均性能最高提升 7.16%。
2025-03-14 cs.CV
Penalty Constraints and Kernelization of M-Estimation Based Fuzzy C-Means
Beihang University（北京航空航天大学）；Tsinghua University（清华大学）
提出了一种基于M估计的模糊C均值聚类（MFCM）算法框架，并结合迭代加权最小二乘（IRLS）算法，对MFCM算法进行了惩罚约束和核化扩展。通过在多目标聚类算法的目标函数中引入惩罚信息，将空间约束模糊C-均值（SFCM）算法推广到惩罚约束多目标聚类算法（简称MFCM）。用核方法代替欧氏距离，将MFCM和pMFCM算法推广到核化MFCM（kernelizedMFCM，简称KMF）。KMFCM）和核化pMFCM（abbr.pKMFCM）算法。MFCM，pMFCM，KMFCM和pKMFCM算法的性能进行了评估，在三个任务：模式识别的10个标准数据集从UCI机器学习数据库，噪声图像分割性能的合成图像，磁共振脑图像（MRI），和图像分割的标准图像从伯克利分割数据集和基准。实验结果表明，我们提出的算法在模式识别和图像分割的有效性。
2013-01-19 cs.CV stat.CO
Plant detection from ultra high resolution remote sensing images: A Semantic Segmentation approach based on fuzzy loss
IRISA（IRISA（法国国家信息与自动化研究所））
本文针对超高分辨率遥感图像中的植物物种识别问题，提出基于模糊损失的语义分割方法，通过高斯滤波细化真实标签引入训练随机性，并在自建毫米级UHR数据集和公开数据集上验证了方法有效性。
2024-08-31 cs.AI cs.CV
Kernelized Weighted SUSAN based Fuzzy C-Means Clustering for Noisy Image Segmentation
Jadavpur University（贾达普大学）；Indian Statistical Institute（印度统计研究所）
本文提出了一种新的核化图像分割方案的噪声图像，利用最小单值段同化核（SUSAN）的概念，并通过计算圆形彩色地图诱导的权重，结合空间约束。基于相应的加权SUSAN面积值获得每个核或中心像素的模糊阻尼系数，权重等于从中心像素到达邻域像素所需的水平和垂直移动的数量的倒数。这些权重用于改变基于内核的框架中不同核的贡献。本文还提出了一种边缘质量度量，通过基于模糊决策的边缘候选选择和边缘选择后的模糊度的最终计算来获得。现有的算法无法保留边缘信息和结构的细节，在其分割的地图有必要计算的边缘质量因子（EQF）的所有竞争算法。定性和定量分析已经呈现相对于国家的最先进的算法和图像充满了不同类型的噪声。斑点噪声缠身的SAR图像和Rician噪声缠身的磁共振图像也被认为是评估所提出的算法在提取重要的分割信息的有效性。
2016-03-28 cs.CV stat.ML
An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation
Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh（巴里利学院数学系，巴里利（MJP罗希尔坎德大学），乌塔尔 Pradesh）；CSIR-Central Electronics Engineering Research Institute, Pilani, Rajasthan（CSIR-中央电子工程研究机构，比兰蒂，拉贾斯坦）；CICMR, Regional Medical Research Center, Dibrugarh, India（CICMR，迪布格尔中心医学研究中心，印度）；Department of Statistics, Bareilly College, Bareilly, Uttar Pradesh（巴里利学院统计系，巴里利，乌塔尔 Pradesh）
本文提出一种融合模糊逻辑的损失函数，用于解决MRI脑图像分割中的不确定性问题，通过结合分类交叉熵和模糊熵，提升分割性能和模型预测可靠性。
2026-04-13 cs.AI cs.CV cs.LG
Residual-driven Fuzzy C-Means Clustering for Image Segmentation
Xidian University（西安电子科技大学）；University of Alberta（阿尔伯塔大学）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Macau University of Science and Technology（澳门科技大学）；New Jersey Institute of Technology（新泽西理工学院）
由于其较差的特性，直接使用观察到的（含噪）图像会导致较差的分割结果。直观地说，使用其无噪声图像可以有利地影响图像分割。因此，准确估计观测图像和无噪声图像之间的残差是一项重要的任务。为此，我们详细介绍了残差驱动的模糊C均值（FCM）图像分割，这是第一种方法，实现准确的残差估计，并导致无噪声图像参与聚类。我们提出了一个残差驱动的FCM框架，通过将来自不同类型的噪声分布的残差相关的保真度项集成到FCM中。在此基础上，我们提出了一个加权$\ell_{2}$ -范数保真度项加权混合噪声分布，从而导致一个通用的残差驱动的FCM算法存在的混合或未知的噪声。此外，由于空间信息的约束，残差估计比只考虑观测图像本身的残差估计更可靠。对合成，医学和现实世界的图像进行支持实验。结果表明，该算法优于现有的FCM相关算法的有效性和效率。
2020-04-20 cs.CV eess.IV
Artificial Neural Network Fuzzy Inference System (ANFIS) For Brain Tumor Detection
GIMT Kanipla, Kurukshetra（GIMT卡尼普拉学院，库鲁克舍特拉）
脑肿瘤的检测和分割非常重要，因为它提供了正常和异常组织的解剖信息，有助于治疗计划和患者随访。图像分割有许多技术。提出的研究工作使用ANFIS（人工神经网络模糊推理系统）的图像分类，然后比较结果与FCM（模糊C均值）和K-近邻。ANFIS包括ANN和模糊逻辑系统的优点。综合的特征集和模糊规则的选择分类异常图像对应的肿瘤类型。实验结果表明，有前途的结果在分类精度。与FCM和K-NN进行了比较分析，显示ANFIS系统的优越性。
2012-12-01 cs.AI cs.CV
FARCLUSS: Fuzzy Adaptive Rebalancing and Contrastive Uncertainty Learning for Semi-Supervised Semantic Segmentation
Department of Artificial Intelligence, Korea University（人工智能系，韩国大学）
本文提出FARCLUSS框架，通过模糊伪标签等四项技术解决半监督语义分割的未标记数据利用问题，在基准测试中优于现有方法，提升了代表性不足类别与模糊区域的分割效果。
2026-08-12 cs.CV cs.LG eess.IV
Fuzzy Theory in Computer Vision: A Review
School of Information Technology and Engineering（信息科技与工程学院）；Kazakh-British Technical University（哈萨克-英国技术大学）
本文综述模糊逻辑在计算机视觉中的关键技术、应用场景及与深度学习融合的新兴趋势，强调其处理图像不确定性并提升模型适应性与可解释性的价值。
2025-07-23 cs.CV
A Digital Fuzzy Edge Detector for Color Images
University of Chinese Academy of Sciences（中国科学院大学）
边缘检测是图像处理领域的经典问题，它为图像分割等其他任务奠定了基础。常规地，使用梯度算子（诸如Roberts或Sobel算子）来执行该操作，该梯度算子可以发现强度水平的局部变化。然而，这些算子在低对比度图像上表现不佳。在本文中，我们提出了一种基于模糊理论和Sobel算子的彩色图像边缘检测器结构。首先，从图像中提取R，G和B通道，并使用模糊方法增强，以抑制噪声并提高背景与目标之间的对比度。然后将Sobel算子应用于每个通道，最后将其组合成原始图像的边缘图。通过FPGA实现的实验结果证明了该方法的有效性。
2017-01-13 cs.CV
A Novel Extension to Fuzzy Connectivity for Body Composition Analysis: Applications in Thigh, Brain, and Whole Body Tissue Segmentation
Ege University（埃格大学）；National Institute on Aging, National Institutes of Health（美国国立卫生研究院国家老龄化研究所）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）；University of Central Florida（中佛罗里达大学）
磁共振成像（MRI）是身体组织成分分析的非侵入性模式的选择，由于其出色的软组织对比度和缺乏电离辐射。然而，身体成分的量化需要从MR图像中准确分割脂肪、肌肉和其他组织，由于它们之间的强度重叠，这仍然是一个具有挑战性的目标。在这项研究中，我们提出了一个全自动的，数据驱动的图像分割平台，解决了分割MR图像的多种困难，如不同的不均匀性，非标准性和噪声，同时产生不同组织的高质量定义。与文献中的大多数方法相比，我们通过结合三种不同的MRI对比度和一种考虑到数据变异性的新型分割工具来执行分割操作。所提出的系统，基于一个新的模糊连接（FC）图像分割家庭内的亲和力定义，防止需要用户干预和重新参数化的分割算法。为了使整个系统完全自动化，我们采用了一种亲和传播聚类算法来粗略地识别组织区域和图像背景。我们执行一个彻底的评估所提出的算法的各个步骤，以及比较从文献中的几种方法的主要应用肌肉/脂肪分离。此外，全身组织成分和脑组织描绘进行，以显示所提出的系统的泛化能力。这个新的自动化平台在准确性和效率方面优于其他最先进的分割方法。
2018-10-14 cs.CV cs.LG q-bio.QM
Evolving Error States: Failure-Aware Progressive Repair for Ultrasound Lesion Segmentation
Central South University（中南大学）；Yangtze University（长江大学）；Chongqing University（重庆大学）；Peking University（北京大学）；Southwest Jiaotong University（西南交通大学）
针对医学图像分割中稀疏异质错误难以修正的问题，提出故障感知渐进修复（FAPR），通过动态错误状态建模与状态转移修复，在三个超声基准上平均DSC提升1.52%，极难子集提升13.77%。
2026-09-17 cs.CV
ReScene4D: Temporally Consistent Semantic Instance Segmentation of Evolving Indoor 3D Scenes
Stanford University（斯坦福大学）；Meta Reality Labs Research（Meta现实实验室）
ReScene4D提出了一种新的4D室内语义实例分割方法，通过时空对比损失、掩码和序列化技术，在无需密集观测的情况下实现实例跟踪和性能提升，引入t-mAP指标评估时空一致性。
2026-04-01 cs.CV
Clustering using Vector Membership: An Extension of the Fuzzy C-Means Algorithm
Jadavpur University（贾达普大学）
聚类是探索性数据采掘的一个重要方面，在许多领域都有广泛的应用。在本文中，我们提出了一个扩展的经典模糊C均值聚类算法。该算法，简称为VFC，采用多维隶属度向量的每个数据点，而不是传统的，标量隶属度值定义在原始算法。通过分别考虑该点的每个特征并获得其各自的隶属度值来获得每个点的隶属度向量。我们还提出了一种算法，有效地分配初始聚类中心接近实际中心，以促进快速收敛。此外，我们提出了一个计划，实现清晰的聚类使用VFC算法。建议，新的聚类方案已被测试两个标准数据集，以分析其性能。我们还研究了所提出的方案的有效性，通过分析其性能的图像分割的例子，并将其与经典的模糊C-均值聚类算法。
2013-12-14 cs.CV
Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames
代替直接利用包括一些离群值、噪声或强度不均匀性的观察图像，使用其理想值（例如，无噪声图像）对聚类具有有利的影响。因此，精确估计观测图像与其理想值之间的残差（例如未知噪声）是一项重要任务。为此，我们提出了一种基于$\ell_0$正则化的模糊$C$ -均值（FCM）算法，将形态重建操作和紧小波框架变换。为了在细节保留和噪声抑制之间取得良好的平衡，形态学重构被用于对观察到的图像进行滤波。通过组合观察到的图像和滤波后的图像，生成加权和图像。由于紧小波框架系统具有稀疏的图像表示，它被用来分解的加权和图像，从而形成其相应的特征集。将其作为聚类数据，通过在特征集与理想值的残差上增加$\ell_0$正则化项，得到了理想值参与聚类的良好残差估计，从而提出了一种改进的FCM算法。空间信息也被引入到聚类中，因为它在图像分割中自然会遇到。此外，它使残差的估计更可靠。为了进一步提高改进的FCM算法的分割效果，我们还使用形态学重建平滑聚类产生的标签。最后，基于原型和平滑标签，分割的图像是通过使用一个紧凑的小波框架重建操作。合成，医学和彩色图像的实验结果表明，该算法是有效的和高效的，并优于其他算法。
2020-02-14 cs.CV
SAPNet++: Evolving Point-Prompted Instance Segmentation with Semantic and Spatial Awareness
Shanghai Jiao Tong University（上海交通大学）
SAPNet++通过整合点距离指导和框挖掘策略，提升点提示实例分割的精度和边界处理能力。
2026-02-25 cs.CV
A semi-supervised fuzzy GrowCut algorithm to segment and classify regions of interest of mammographic images
Federal University of Pernambuco（伯南布哥联邦大学）
根据世界卫生组织，乳腺癌是女性最常见的癌症。它是世界各地妇女死亡的第二大原因，成为最致命的癌症形式。乳腺摄影图像分割是支持图像分析和诊断的基本任务，同时考虑到乳腺病变及其边界的形状分析。然而，乳房X线图像分割是一个非常困难的过程，一旦它高度依赖于乳腺组织的类型。在这项工作中，我们提出了一种新的半监督分割算法的基础上修改的GrowCut算法进行自动乳腺摄影图像分割，一旦感兴趣的区域被专家选择。在我们的建议中，我们使用模糊高斯隶属度函数来修改原始GrowCut算法的进化规则，以估计像素是目标还是背景的不确定性。所提出的方法的主要影响是显着减少专家的努力，在初始化的种子点的GrowCut执行准确的分割，一旦它消除了需要选择的背景种子。同时，我们还构造了一个基于模拟退火优化方法的自动选点过程，避免了人工干预。所提出的方法进行了定性比较与其他国家的最先进的分割技术，考虑分割区域的形状。为了验证我们的建议，我们建立了一个图像分类器使用经典的多层感知器。我们使用Zernike矩来提取分割的图像特征。该分析使用了来自IRMA乳腺癌数据库的685张乳房X线照片，使用了脂肪和纤维瘤组织。实验结果表明，该方法对脂肪组织的分类正确率为91.28%，证明了该方法的可行性。
2017-12-03 cs.AI cs.CV cs.IR
A Fuzzy View on k-Means Based Signal Quantization with Application in Iris Segmentation
本文表明，k-means量化的信号可以被解释为一个清晰的指标函数，并作为一个模糊的隶属度分配描述模糊聚类和模糊边界。组合清晰和模糊指示函数在这里被定义为普通清晰和模糊指示函数的自然推广，分别。最后给出了一个虹膜分割的应用程序。
2011-07-13 cs.CV
Combined Approach for Image Segmentation
Nagpur University（那格浦尔大学）；W.C.E.M. Dongargaon（栋加尔冈女子工程学院）；R.C.O.E.M Nagpur（那格浦尔拉姆德奥·钱德拉·奥贾工程学院）
在过去的二十年中，许多图像分割技术已经发展用于分割图像，这有助于目标识别，运动或立体系统中的遮挡边界估计，图像压缩，图像编辑。在这方面，有一种用于分割图像的组合方法。对输入图像进行直方图均衡化处理，得到对比度增强的输出图像，再对输出图像进行中值滤波，去除噪声。最后采用模糊c均值聚类算法对输出图像进行去噪，得到分割后的输出图像。以这种方式，它产生更好的分割图像与更少的计算时间。
2014-05-31 cs.CV
Gradient Based Seeded Region Grow method for CT Angiographic Image Segmentation
RIIC, D S Institutions（D S 机构 RIIC）；SET labs Infosys（印孚瑟斯 SET 实验室）；Dayananda Sagar Institutions（达亚南达·萨加尔机构）
利用种子区域生长技术进行医学图像分割由于其能够在种子选择过程中涉及解剖结构的高级知识而日益成为一种流行的方法。基于区域的医学图像分割广泛应用于各种临床应用，如可视化、骨检测、肿瘤检测和临床数据库中的无监督图像检索。由于医学图像大多是模糊的，基于灰度的区域分割是最具挑战性的任务。在本文中，我们讨论了流行的种子区域生长方法用于分割CT血管造影图像中的解剖结构。我们提出了一个基于梯度的均匀性标准来控制区域生长过程中分割CTA图像。
2010-01-21 cs.CV
Introducing Fuzzy Layers for Deep Learning
U.S. Army Engineer Research and Development Center（美国陆军工程研究与发展中心）；Mississippi College（密西西比学院）；University of Missouri（密苏里大学）
近年来发展的许多最先进的技术都在一定程度上受到了机器学习的影响。在撰写本文时，最流行的是属于深度学习范畴的人工智能方法。深度学习已经在许多应用程序中被证明是非常强大的，能够处理非常复杂和困难的问题。在这项工作中，我们为深度学习引入了一个新的层：模糊层。传统上，神经网络的网络架构由输入层、隐藏层的某种组合和输出层组成。我们建议在深度学习架构中引入模糊层，以利用通过模糊方法表达的强大聚合属性，例如Choquet和Sugueno模糊积分。迄今为止，用于深度学习的模糊方法已经通过在决策级应用各种融合策略来聚合来自最先进的预训练模型的输出，例如，AlexNet、VGG 16、GoogLeNet、Inception-v3、ResNet-18等。虽然这些策略已被证明可以提高图像分类任务的准确性，但没有一个探索过模糊化中间层或隐藏层的使用。在此，我们提出了一种新的深度学习策略，该策略将模糊策略结合到深度学习架构中，专注于使用每像素分类的语义分割的应用。实验进行了基准数据集，以及通过无人驾驶航空系统收集的数据集在美国陆军试验场的任务，自动道路分割，初步结果是有希望的。
2020-02-21 cs.CV cs.LG stat.ML
Handling Inter-Annotator Agreement for Automated Skin Lesion Segmentation
University of Campinas（坎皮纳斯大学）
在这项工作中，我们探讨了问题的注释者之间的协议，训练和评估皮肤病变的自动分割。我们探讨不同程度的一致性代表什么，以及它们如何影响不同的细分用例。我们还评估了如何使用不同的（但非常简单的）算法来调节基础事实可能有助于提高一致性，并且可能适用于某些用例。皮肤病变的分割是自动皮肤病变分析的基础任务，既可用作定位/检测病变的最终结果，也可用作病变分类的辅助任务。然而，病变分割是一项非常具有挑战性的任务，这不仅是因为图像分割本身的挑战，而且还因为难以获得正确注释的数据。准确地检测病变的边界是具有挑战性的，即使是受过训练的人，因为，对于许多病变，这些边界是模糊的和不明确的。使用病变和注释的ISIC档案，我们估计注释者之间的协议皮肤病变分割，并提出了几个简单的程序，可能有助于提高注释者之间的协议，如果用于条件的地面真理。
2019-06-06 cs.CV
A Type II Fuzzy Entropy Based Multi-Level Image Thresholding Using Adaptive Plant Propagation Algorithm
Department of Electrical Engineering, Jadavpur University（贾达普大学电气工程系）
图像分割中最直接、最直接、最有效的方法之一就是图像分割。多层图像阈值化是许多基于图像处理和模式识别的实时应用中的一个重要观点，它可以有效且高效地将像素分类到表示图像中多个区域的各个组中。基于模糊熵的图像分割结合智能优化方法是常用的直接方法，以正确地识别阈值，以便它们可以用于准确地分割图像。本文提出了一种基于第二类模糊集和自适应植物繁殖算法（APPA）的图像多阈值分割方法。随着阈值数目的增加，通过最大化熵来获得图像的最佳阈值是非常繁琐和耗时的。因此，自适应植物繁殖算法（APPA），一种基于植物智能的模因算法，用于快速有效地选择最佳阈值。通过比较其他现代最先进的算法，如粒子群优化算法（PSO），引力搜索算法（GSA）和遗传算法（GA）的结果和计算时间的准确性，这一事实是合理的。
2017-08-23 cs.CV math.OC physics.data-an
Instance-Aware Test-Time Segmentation for Continual Domain Shifts
Department of Immersive Media Engineering（沉浸媒体工程系）；Department of Electrical and Computer Engineering（电气与计算机工程系）
本文提出了一种实例感知的持续领域偏移测试时分割方法，通过自适应调整伪标签和动态平衡学习，提升语义分割在持续演变领域中的性能。
2025-12-09 cs.CV
A Weighted Difference of Anisotropic and Isotropic Total Variation for Relaxed Mumford-Shah Color and Multiphase Image Segmentation
University of California at Irvine（加州大学欧文分校）；Whittier College（惠蒂尔学院）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
在一类分段常数图像分割模型中，我们提出将各向异性和各向同性全变差（AITV）的加权差正则化图像中的分区边界。特别是，我们取代总变分正则化的Chan-Vese分割模型和模糊区域竞争模型的建议AITV。为了处理AITV的非凸性质，我们应用凸差分算法（DCA），其中子问题可以通过原始-对偶混合梯度法与线性插值来最小化。分析了DCA格式的收敛性。此外，一个推广到彩色图像分割进行了讨论。在数值实验中，我们比较了所提出的模型与经典的凸方法和两阶段分割方法（平滑，然后阈值）在各种图像上，表明我们的模型是有效的图像分割和鲁棒性的脉冲噪声。
2021-07-18 cs.CV
Hybrid Image Segmentation using Discerner Cluster in FCM and Histogram Thresholding
Irbid National University（伊尔比德国立大学）
图像阈值分割在图像分割中起着重要的作用。本文提出了一种基于模糊c均值阈值分割（THFCM）算法的混合图像分割方法。所提出的方法的目标是找到一个识别器集群能够找到一个自动阈值。该算法通过将标准FCM聚类算法应用于平滑直方图上的频率（y值）来制定。因此，可以使用图像的频率来代替传统的图像的整个数据。具有代表图像直方图中的最大频率的最高峰的聚类将在确定对灰度级图像的识别器聚类中起到极好的作用。然后，属于识别器聚类的像素表示灰度直方图中的对象，而其他聚类表示背景。标准测试图像的实验结果已经通过所提出的方法（THFCM）。
2013-02-06 cs.CV
Implicit Fuzzification via Bounded Noise Injection for Robust Medical Image Segmentation
Xinshao County People’s Hospital, Shaoyang（新邵县人民医院，邵阳）
提出NoiseUNet，通过在跳跃连接中注入有界扰动来正则化跨尺度特征融合，隐式实现模糊化，提升医学图像分割的准确性和边界保真度。
2026-06-03 cs.CV
A Unified Variational Framework for Deep Weakly Supervised Image Segmentation
The Hong Kong University of Science and Technology（香港科技大学）；Hetao Institute of Mathematics and Interdisciplinary Sciences（河套数学与交叉科学研究所）；Georgia Institute of Technology（佐治亚理工学院）；Xiangtan University（湘潭大学）；Norwegian Research Center（挪威研究中心）
提出用于稀疏像素级监督图像分割的统一变分框架，基于特定模型产生能量泛函作训练损失，利用RKHS构建模糊隶属函数纳入稀疏标签，实验显示该方法比基线更优，无需真实分割图像即可有可比性能。
2026-07-23 cs.CV
Robust and fully automated segmentation of mandible from CT scans
University of Central Florida（中佛罗里达大学）
由于下颌骨的结构不规则、复杂的形状模式和关节缺乏对比度，从计算机断层扫描（CT）扫描中分割下颌骨具有挑战性。此外，牙齿与下颌骨以及下颌骨与颅骨其余部分的连接使得自动识别下颌骨边界非常困难。本研究通过提出一个新的框架来解决这些挑战，在这个框架中，我们将分割定义为两个互补的任务：识别和描绘。对于识别，我们使用随机森林回归在3D中定位下颌骨。对于划定，我们建议使用3D梯度为基础的模糊连通性（FC）图像分割算法，操作识别的下颌骨子体积。尽管沉重的CT伪影和牙齿填充物，在我们的实验中的CT图像数据的一半，我们已经取得了高度准确的检测和描绘的结果。具体而言，检测精度超过96%（由交集（UoI）测量），描绘精度为91%（由骰子相似系数测量），和小于1毫米的形状失配（豪斯多夫距离）被发现。
2017-02-23 cs.CV
Voronoi Region-Based Adaptive Unsupervised Color Image Segmentation
University of Manitoba（曼尼托巴大学）；Adiyaman University（阿迪亚曼大学）
彩色图像分割是许多计算机视觉和模式识别应用中的关键步骤。提出了一种基于Voronoi区域的自适应无监督聚类方法，用于解决彩色图像分割问题。该方法在Dirichlet Tessellated图像（也称为沃罗诺伊图）的Voronoi区域内进行区域分裂和合并，提高了聚类数和聚类中心估计过程的效率和准确性。此外，所提出的方法使用聚类质心邻近合并邻近的聚类，以找到最终的聚类和聚类质心的数量。与现有的自适应无监督聚类图像分割算法相比，该方法采用K-means聚类算法代替模糊C-means算法来寻找最终的分割图像。在三个不同的无监督图像分割评价基准上对该方法进行了评价，并将其结果与其他两种自适应无监督聚类图像分割算法进行了比较。实验结果表明，该方法在图像分割质量方面优于现有算法。此外，所提出的方法的结果在最低的平均执行时间每幅图像相比，现有的方法在这篇文章中报道。
2016-04-02 cs.CV
Blood capillaries and vessels segmentation in optical coherence tomography angiogram using fuzzy C-means and Curvelet transform
这篇论文已从arXiv中删除，因为作者对本文中提供的数据没有所有权。
2017-05-31 cs.CV
Near-optimal Keypoint Sampling for Fast Pathological Lung Segmentation
National Institutes of Health (NIH)（美国国立卫生研究院）
从计算机断层摄影（CT）图像中准确描绘病理肺仍然是大部分未解决的问题，因为可用的方法由于异常外观的高度可变性而不能提供可靠的通用解决方案。基于局部生物标记的分类方法已被证明在注释病理方面工作良好;然而，这些方法通常是计算密集型的，这限制了它们在实时或近实时临床应用中的广泛使用。在本文中，我们提出了一种新的方法，快速，准确，可靠的病理肺CT扫描分割相结合的区域为基础的分割方法和局部描述符分类，是在一个优化的采样网格。我们的方法分为两个阶段，在第一阶段，我们采用模糊连通性（FC）图像分割算法进行初始肺实质提取。在第二阶段，基于纹理的局部描述符被用来分割异常成像模式，使用近最佳的关键点分析，采用超体素的质心作为网格点。定量结果表明，我们的病理肺分割方法是快速，鲁棒的，并提高了当前的标准，并有潜力提高常规临床任务的性能。
2014-07-11 cs.CV
Continual Segmentation under Joint Nonstationarity
Bharti School of Telecommunications Technology \& Management, Indian Institute of Technology, Delhi, India；Yardi School of Artificial Intelligence, Indian Institute of Technology, Delhi, India；Department of Computer Science；Engineering, Indian Institute of Technology (Indian School of Mines), Dhanbad, India
本文研究了在联合非平稳性条件下连续语义分割的问题，提出了一种基于梯度适应稳定机制和半监督学习的方法，以应对数据分布漂移带来的不稳定性和过拟合问题，并在多种场景下验证了方法的有效性。
2026-05-19 cs.CV
Addressing Class Imbalance in Semi-supervised Image Segmentation: A Study on Cardiac MRI
Jadavpur University（贾达布尔大学）
由于数据的不平衡和有限性，半监督医学图像分割方法往往不能对某些特定的尾类产生优越的性能。对这些特定类的训练不足可能会给生成的伪标签带来更多噪音，影响整体学习。为了缓解这一缺点并识别表现不佳的类，我们建议维护一个置信度数组，该数组在训练期间记录类的性能。这些置信度分数的模糊融合，提出了自适应地优先考虑在每个样本，而不是传统的集成方法，其中一组预定义的固定权重被分配给所有的测试用例的个人的置信度。此外，我们引入了一个强大的类明智的采样方法和动态稳定更好的训练策略。我们提出的方法考虑了所有表现不佳的类，并尝试在训练过程中去除大部分噪声。在两个心脏MRI数据集，ACDC和MMWHS的评价，我们提出的方法显示出有效性和普遍性，并优于几个国家的最先进的方法在文献中找到。
2022-08-31 cs.CV
Gray Image extraction using Fuzzy Logic
Indian Institute of Science Education and Research, Pune（印度科学教育与研究学院浦那分校）；Visva-Bharati University（维斯瓦巴拉蒂大学）；RCC Institute of Information Technology（RCC信息技术学院）
模糊系统涉及表示和处理语言信息中的不确定性和不精确性的基本方法。使用模糊规则来表示问题的领域知识的模糊系统被称为模糊规则库系统（FRBS）。另一方面，由于各种原因，图像分割和随后的从受噪声影响的背景中提取，在各种软计算方法的帮助下，是相对较新且相当流行的。这些方法包括各种人工神经网络（ANN）模型（本质上主要是监督的）、基于遗传算法（GA）的技术、基于强度直方图的方法等。文献表明，在这方面的努力似乎相当初级。在本文中，我们提出了一个模糊规则指导的新技术，是功能没有任何外部干预在执行过程中。实验结果表明，这种方法是一种有效的相比，不同的其他技术广泛地在文献中。为了证明我们提出的技术在其竞争对手方面的性能至高无上，我们采取有效的指标，如均方误差（MSE），平均绝对误差（MAE），峰值信噪比（PSNR）。
2012-06-20 cs.AI cs.CV
Feature Based Fuzzy Rule Base Design for Image Extraction
Indian Institute of Science Education（印度科学教育学院）；Visva Bharati University（维斯瓦巴拉蒂大学）；RCC IIT（印度理工学院研究中心）
随着多媒体技术的发展，视觉注意区域的检测成为图像处理领域的一个主要关注点。多媒体技术在异构环境中终端设备的普及，为图像可视化提供了足够的改进空间。虽然有很多方法，但基于特征的图像提取方法成为图像处理领域的一个热门方法。图像分割的目标是将图像分割成一组区域，这些区域在视觉上是不同的，并且在某些属性上是均匀的，例如灰度级，纹理或颜色。图像分割和提取是目标识别、场景理解和图像分析的第一步和关键。其应用领域包括移动设备、工业质量控制、医疗器械、机器人导航、地球物理勘探、军事应用等，在所有这些领域，最终结果的质量在很大程度上取决于预处理工作的质量。大多数时候，获取无伪预处理数据需要大量的应用程序和数学密集型背景工作。我们提出了一种基于特征的模糊规则引导的新技术，该技术在执行过程中在功能上没有任何外部干预。实验结果表明，这种方法是一种有效的相比，不同的其他技术广泛地在文献中。为了证明我们提出的技术在其竞争对手方面的性能至高无上，我们采取有效的指标，如均方误差（MSE），平均绝对误差（MAE）和峰值信噪比（PSNR）。
2012-06-16 cs.AI cs.CV
