[發明專利]基于分層模糊c均值的圖像分割方法

有效

• 申請號: 201410127317.1
• 申請日: 2014-03-31
• 公開（公告）號: CN103971363B
• 公開（公告）日: 2017-09-05
• 發明（設計）人: 張輝;陳北京;鄭鈺輝
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 南京眾聯專利代理有限公司32206
• 代理人: 顧進

技術領域

本發明屬于圖像處理領域，特別涉及一種基于分層模糊c均值的圖像分割方法。

背景技術

圖像分割是圖像處理中的重要研究課題，它決定著最終的圖像分析和圖像理解的結果和質量。正是由于圖像分割的重要性，國內外許多學者對其展開了大量的研究，提出了各種各樣不同的分割算法，但是這些算法大都是針對具體研究對象的，至今還沒有通用的分割理論提出，因此人們仍然在不斷地探索新的分割算法和分割理論。

模糊C均值算法是基于目標函數的聚類算法中理論最完善、應用最廣泛的算法。由于成功地將模糊概念引入到圖像像素的隸屬度，模糊C均值算法能夠保留更多的原始圖像信息。雖然模糊C均值算法由于自身的優勢得到了廣泛的應用和發展，但是該算法在進行圖像分割時需要事先確定分類數、對噪聲敏感、易陷入局部極值。

Ahmed等通過引入空間約束修改經典的模糊c均值(Fuzzy C-means，FCM)算法的目標函數，取得了較好的圖像分割結果，該算法稱為MFCM算法。陳松燦等提出了關于MFCM算法的變化形式:FCM_S算法，并且加快了MFCM算法的執行速度。FLICM考慮了像素的局部空間信息而HMRF-FCM則考慮了像素空間關系的馬爾科夫隨機場(Markov Random Field,MRF)模型。然而，這些已有的研究算法具有計算復雜度高，計算時間長，依然容易受到圖像噪聲影響等弊端。

發明內容

本發明為了解決現有的算法具有計算復雜度高，計算時間長，依然容易受到圖像噪聲影響等弊端的問題，提出了一種基于分層模糊c均值的圖像分割方法。

為解決上述問題，本發明采用的方法是：一種基于分層模糊c均值的圖像分割方法，包括以下步驟：

(1)、將圖像數據分到J個類中，在每個類j中，數據再被分到k個子類中，確定第一層的類數J，第二層的類數K，初始化隸屬度子隸屬度和初始化聚類中心μ_jk；

(2)、設置循環計數l＝0；

(3)、通過公式計算新的聚類中心

(4)、通過公式計算更新隸屬度

(5)、通過公式計算更新子隸屬度

(6)、如果目標函數收斂，則結束迭代估值，否則l＝l+1，重復步驟(3)-(5)。

作為本發明的一種優選，所述目標函數的推導過程包括如下步驟：

(1)、令y_i表示圖像中第i個點的像素值，其中i＝(1,2,…,N),N為圖像的像素總個數，j(j＝1,2,…,K)表示像素點i所對應的類，模糊c均值的目標函數可以表示為：其中，u_ij為隸屬度，表示像素y_i屬于第j類的可能性程度，m為權重指數，d_ij是點y_i到聚類中心μ_j的距離測度，稱為距離函數；

(2)、定義距離函數為一“子”模糊模型，基于標準FCM中的笛卡爾距離將“子”模糊模型表示為：其中是子距離函數，v_ijk是子隸屬度；

(3)、將步驟(2)中的公式帶入步驟(1)中的公式里，得到HFCM目標函數：

(4)、將步驟(3)中的HFCM目標函數結合均值模板的分層模糊c均值得到目標函數為：其中權重因子為高斯函數，δ＝(窗口大小-1)/4。

作為本發明的一種優選，所述的公式是通過對目標函數求偏導得到。

作為本發明的一種優選，所述的初始化隸屬度子隸屬度和初始化聚類中心μ_jk通過k-means算法進行預處理得到。

有益效果：

1、本發明將均值模板同時應用于隸屬度和距離函數這兩項上，從而獲得更好的圖像分割結果，有效地利用了圖像中的空間上下文信息，獲得了更好的圖像分割質量，同時算法的運行時間和計算量都較小。

2、本發明的距離函數采用分層模糊c模型，即將距離函數看作是子模糊c均值模型，其比傳統的歐式距離函數具有更好的抗噪性。因此，我們的算法對于圖像噪聲具有更好的魯棒性。

附圖說明

圖1本發明不同的方法分類三個數據點集的分類結果圖。

圖2采用本發明采用一幅人造的黑，灰，白三色圖像進行分割的實驗圖。

圖3采用本發明不同的方法對高斯噪聲圖像分割結果圖。

圖4采用本發明不同的方法對斑點噪聲圖像的分割結果圖。

圖5為伯克利數據庫的原始圖像集。

圖6為采用本發明的算法得到的圖像分割結果圖。