[發(fā)明專利]一種基于加權魯棒FCM聚類的圖像分割方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110872834.1
• 申請日: 2021-07-30
• 公開（公告）號: CN113538445A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設計）人: 吳紫恒;周陽;王兵;李聰;馬小陸
• 申請（專利權）人: 安徽工業(yè)大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06K9/62
• 代理公司: 合肥昊晟德專利代理事務所(普通合伙) 34153
• 代理人: 何梓秋

本發(fā)明公開了一種基于加權魯棒FCM聚類的圖像分割方法及系統(tǒng)，屬于圖像分割技術領域，包括以下步驟：S1：輸入待分割圖像矩陣，定義目標函數(shù)并初始化優(yōu)化模糊聚類方法目標函數(shù)中的各參數(shù)；S2：基于目標函數(shù)最小化，計算更新模糊隸屬度矩陣、特征權值矩陣、數(shù)據(jù)重要性矩陣和聚類中心矩陣；S3：判斷優(yōu)化的模糊聚類方法是否滿足迭代停止條件，否則繼續(xù)迭代執(zhí)行步驟S2，是則根據(jù)隸屬度最大準則標記每個像素點，完成圖像分割。本發(fā)明考慮了每個像素點屬于不同類別的不同重要性，大大增強了算法對噪聲點和奇異點的魯棒性，從而提高了聚類的精度，解決了傳統(tǒng)FCM算法在較高噪聲環(huán)境下無法有效進行圖像分割的技術問題，具有魯棒性強和穩(wěn)定性高的優(yōu)點。

技術領域

本發(fā)明涉及圖像分割技術領域，具體涉及一種基于加權魯棒FCM聚類的圖像分割方法及系統(tǒng)。

背景技術

圖像分割是將一幅圖像分割成一組互不相交的子區(qū)域，同一區(qū)域內(nèi)部具有相似的特性，這里的特性可以是顏色、灰度、紋理等。圖像分割是計算機視覺、模式識別、圖像處理等領域的最重要的基礎環(huán)節(jié)，它是由圖像處理到圖像分析的關鍵步驟，也是一種基本的計算機視覺技術。

模糊C-均值聚類方法(Fuzzy C-Means，F(xiàn)CM)是應用最為廣泛的圖像分割方法之一。傳統(tǒng)FCM算法的目標函數(shù)E為：

n為待分割圖像中像素點個數(shù)，c為待分割圖像的聚類數(shù)目，u_ik表示第k各像素點x_k隸屬于第i個聚類的程度，p為隸屬度加權指數(shù)，d²(x_k,v_i)表示像素點x_k與第i個聚類中心v_i之間的歐氏距離。

然而，在傳統(tǒng)的FCM聚類算法中，每個數(shù)據(jù)和每個特征均被同等對待，即使某個數(shù)據(jù)點為噪聲點，在較高噪聲環(huán)境下無法有效進行圖像分割的。為此，提出一種基于加權魯棒FCM聚類的圖像分割方法。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術問題在于：如何解決傳統(tǒng)FCM算法在較高噪聲環(huán)境下無法有效進行圖像分割的技術問題，提供了一種基于加權魯棒FCM聚類的圖像分割方法，該方法考慮每個像素點屬于不同類別的不同重要性，大大增強了算法對噪聲點和奇異點的魯棒性。

本發(fā)明是通過以下技術方案解決上述技術問題的，本發(fā)明包括以下步驟：

S1：輸入待分割圖像矩陣，定義目標函數(shù)并初始化優(yōu)化模糊聚類算法目標函數(shù)中的各參數(shù)；

S2：基于目標函數(shù)最小化，計算更新模糊隸屬度矩陣、特征權值矩陣、數(shù)據(jù)重要性矩陣和聚類中心矩陣；

S3：判斷優(yōu)化的模糊聚類算法是否滿足迭代停止條件，否則繼續(xù)迭代執(zhí)行步驟S2，迭代更新模糊隸屬度矩陣、特征權值矩陣、數(shù)據(jù)重要性矩陣和聚類中心矩陣，是則根據(jù)隸屬度最大準則標記每個像素點，完成圖像分割。

更進一步地，在所述步驟S1中，目標函數(shù)為：

在上式中n為待分割圖像中像素點個數(shù)，m為像素點特征個數(shù)，c為待分割圖像的聚類數(shù)目，其為聚類中心矩陣，v_ij表示第i個聚類中心的第j個特征值；為隸屬度矩陣,u_ik表示第k各像素點x_k隸屬于第i個聚類的程度；為數(shù)據(jù)重要性矩陣，w_ik表示像素點x_k對于第i個聚類的重要性；為特征權值矩陣，r_ij表示第j個特征對于第i個聚類的重要性；θ為數(shù)據(jù)可靠性系數(shù)，δ，ε為兩個正則化系數(shù)，其中：

r_ij∈[0,1],u_ik∈[0,1],w_ik∈[0,1]

1≤i≤c,1≤k≤n，1≤j≤m。