一种自适应的模糊一种自适应的模糊C均值聚类图像分割方法均值聚类图像分割方法
针对传统的模糊C均值聚类算法(FCM)在图像分割中对噪声十分敏感这一局限性,提出一种自适应的FCM图
像分割方法。该方法充分考虑图像像素的灰度信息和空间信息,根据像素的空间位置自适应地计算一个合适的
相似度距离来进行聚类分割图像。实验结果表明,与传统的FCM相比,该方法能显著提高分割质量,尤其是能提高
对于图像噪声的鲁棒性和分割图像区域边缘的准确性。
摘摘 要要: 针对传统的
关键词关键词: 图像分割; 模糊C均值; 空间信息
传统的计算机视觉应用和图像处理通常需要把图像分割作为处理的第一步。在图像分割的诸多方法中, 模糊聚类分割算法由
于比硬聚类分割算法能保留更多的原始图像信息,获得了广泛的应用。 特别是模糊C均值(FCM) 聚类算法,它作为一种无
监督聚类算法已成功应用在医疗诊断、目标识别和图像分割等领域[1]。
FCM算法是一种基于迭代的优化算法,需要反复计算各个像素的隶属度和各个聚类的中心。尽管标准的FCM在分割没有被
噪声污染的图像时能产生较好的效果,但是在分割被噪声污染和分割区域有模糊边缘的图像时,分割效果就很不理想。这种对
噪声的敏感性实质上是由于没有利用被分割像素的空间位置信息。为此,国内外学者提出了许多改进的FCM算法来克服这一
缺点,提高其图像分割性能。参考文献[2]中,Chuang提出了一种新的模糊聚类算法,使用与它相邻像素的隶属度的总和来代
表被分割像素的隶属度。参考文献[3]提出一种基于空间邻域信息的二维模糊聚类算法, 该算法利用图像像素灰度和邻域灰度
组成的二维直方图中对角线元素受噪声影响较小,反映图像中相对稳定的信息,且运算只与图像的灰度级数目有关的特征,实
现噪声图像的分割。然而在分割精度上仍然不是很理想。
本文提出一种结合空间信息的FCM变形算法,其充分考虑了图像像素的灰度信息和空间信息,自适应地选择其中一个合适
的特征信息来计算相似性距离,从而减少噪声的影响,实现图像的精确分割。
1 标准模糊标准模糊C均值聚类分割算法均值聚类分割算法(FCM)
FCM聚类算法由Bezdek提出,作为早期硬C均值聚类(HCM)方法的一种改进应用到图像分割中。其实现方法是根据图像
像素和聚类中心的加权相似性测度,对目标函数进行迭代优化以确定最佳聚类。模糊C均值聚类分割算法通过将图像I=
{f(i,j),0≤i<M, 0≤j<N}分成c
算法实现的具体步骤为:
(1) 确定聚类数目c(2<c<n)与隶属度指数m(1.5<m<2.5);
(2) 初始化隶属度矩阵U=[uk(i,j)]和聚类中心V=[v1,v2,…,vc];
(3) 按式(1)更新隶属度矩阵;
(4) 按式(2)更新聚类中心;
(5) 根据迭代条件判断, 得到最佳的模糊隶属度矩阵U和对应的聚类中心矩阵V,根据最大隶属度原则分割图像。
2 自适应模糊自适应模糊C均值聚类分割算法均值聚类分割算法(A-FCM)
像素的空间位置是除灰度值以外的另一种重要信息。空间位置的一种特征就是邻域像素具有高度的相关性。也就是说这些
邻域像素具有相似的灰度值, 即它们属于同一类的概率非常大。传统的FCM算法仅仅利用了图像的灰度信息,没有考虑和利用
空间信息,然而这一信息被证明是非常重要的聚类分割依据。为了利用这种空间位置信息,可以通过几种统计估计来表示图像
中像素的空间位置特征。
2.1空间位置特征空间位置特征
根据像素的空间位置特征,将图像中的所有像素区分为区域内像素(RP)、边缘像素(EP)和噪声像素(NP)三种,如
评论0