[發明專利]一種基于加權核函數模糊聚類的圖像分割方法及其裝置

有效

• 申請號: 201711409269.5
• 申請日: 2017-12-22
• 公開（公告）號: CN108182684B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 孫林;韓慶陽;張會芝;唐志晶;余真真;肖鋒;鄭瑞麗;鄒寧;孟新超;王藍瑩;劉琛
• 申請（專利權）人: 河南師范大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06K9/62
• 代理公司: 鄭州睿信知識產權代理有限公司 41119
• 代理人: 崔旭東

本發明涉及圖像處理領域，具體涉及一種基于加權核函數模糊聚類的圖像分割方法及其裝置。本發明對核函數進行加權和增加常數項處理，通過調整權值和常數項的值來靈活地改變輸入空間樣本到高維空間的非線性映射關系，從而可以更加靈活地選擇核函數。本發明使得更多核函數可以運用到圖像分割領域，并且在此基礎上可以選擇復雜程度較低的核函數來提高圖像分割算法的效率。

技術領域

本發明涉及圖像處理領域，具體涉及一種基于加權核函數模糊聚類的圖像分割方法及其裝置。

背景技術

模糊聚類算法(fuzzy C-means，FCM)是Dan于1974年在硬C均值算法的基礎上提出的，同年，Bezedek將Dan的方法一般化，建立了FCM算法的理論基礎，并于1980年對其收斂性進行了證明。自此以后，模糊聚類算法便受到了眾多圖像分割研究者的關注。目前模糊聚類算法作為一種非監督的聚類算法，已經在圖像分割領域得到了很大的發展。它利用圖像中像素灰度值不同的特點對所有像素點進行分類，利用分類的原理對圖像進行分割。FCM算法對不同組織間灰度分布相互交疊，且難以區分的圖像無法進行準確分割。張莉等人撰寫了《核聚類算法》(計算機學報,2002,25(6):587-590.)，提出了核聚類算法。在該算法基礎上，2004年伍忠東等人撰寫了《基于核方法的模糊聚類算法》(西安電子科技大學學報(自然科學版),2004,31(4):533-537.)，構造了基于核函數的模糊核C-均值算法(Fuzzy Kernel C-Means Clustering Algorithm,KFCM)，較好的解決了這一情況，將給定空間的非線性距離轉化為高維空間的線性距離，凸顯出原來沒有顯現的特征，使得聚類效果更為精細。隨后很多學者將KFCM算法應用于圖像分割領域，并從不同角度對其進行改進。

KFCM算法相對FCM算法在精度上有很大的提高，但是由于增加了其復雜程度，使得運行時間增多，效率變低。另外，傳統的核模糊聚類方法有很多核函數可以使用，但事實上在圖像分割領域較為通用的只有高斯核函數，而其它核函數在分割效果上都不太理想，這就造成在圖像分割領域對核函數的選擇比較單一、很多核函數都無法得到應用的問題。

發明內容

本發明的目的是提供一種基于加權核函數模糊聚類的圖像分割方法及其裝置，用以解決現有核模糊聚類圖像處理方法中對核函數的選取單一造成處理結果不好、應用范圍受到限制的問題。

為實現上述目的，本發明提供了一種基于加權核函數模糊聚類的圖像分割方法，包括方法方案一，方法方案一包括以下步驟：

對核函數進行加權和增加常數項處理得到新核函數；

根據所述新核函數計算得到隸屬度函數、聚類中心函數和目標函數；

根據初始聚類中心矩陣和所述隸屬度函數計算得到隸屬度矩陣；

將所述隸屬度矩陣和所述初始聚類中心矩陣代入所述目標函數計算得到目標函數值；

根據所述隸屬度矩陣和所述聚類中心函數進行計算，根據計算結果更新所述初始聚類中心矩陣；

根據更新的初始聚類中心矩陣和所述隸屬度函數計算并根據計算結果更新所述隸屬度矩陣；

將更新的隸屬度矩陣和更新的初始聚類中心矩陣代入所述目標函數計算并根據計算結果更新所述目標函數值；

如果所述目標函數值和更新后的目標函數值的大小滿足設定條件，則圖像分割結束得到圖像分割結果；如果所述目標函數值和更新后的目標函數值的大小不滿足設定條件，則根據更新的隸屬度矩陣、所述隸屬度函數、聚類中心函數和目標函數進行迭代處理直到所述目標函數值和更新后的目標函數值的大小滿足設定條件為止。

方法方案二，在方法方案一的基礎上，所述初始聚類中心矩陣的計算過程包括：

獲取峰值數量與聚類中心數量相等的灰度直方圖；