基于模糊聚类的图像过渡区提取方法及其在图像分割中的应用

可在www.sciencedirect.com在线获取ScienceDirectFutureComputing and Informatics Journal 3（2018）321e333http://www.journals.elsevier.com/future-computing-and-informatics-journal/基于模糊聚类的图像过渡区提取方法普里亚达尔桑·帕里达电子通信工程系，甘地工程技术学院，Gunupur，Rayagada，Odisha，765022，印度接收日期：2018年1月8日;接受日期：2018年10月18日在线发售2018年摘要基于过渡区域的方法是最近的混合分割技术，以其简单性和有效性而闻名。在这里，分割的有效性取决于过渡区域的鲁棒提取。因此，我们提出了基于聚类方法的过渡区域提取方法的图像分割。该方法首先利用输入图像的局部方差得到方差特征图像。对方差特征图像进行模糊C均值聚类，分离特征图像中的过渡特征。进一步，Otsu阈值应用于过渡特征图像以提取过渡区域。为了提取精确的边缘图像，进行形态学细化操作。前一步提取的边缘图像本质上是封闭的。对边缘图像进行形态学清洗和区域填充操作，得到目标区域。最后，通过这些对象区域提取对象将该方法与不同的图像分割方法进行了比较。实验结果表明，该方法优于其他方法分割图像包含单一和多个目标。Copyright© 2018埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：过渡区; Otsu阈值;聚类1. 介绍图像分割是所有计算机视觉和图像理解任务的重要预处理步骤。它具有广泛的应用，如生物特征识别[1]，医学图像分析[2]，作物病害检测和分类[3]等。图像分割是考虑图像的某些特征，如颜色，强度，纹理等，将对象（前景）与背景分离的过程。在过去的十年中，各种各样的分割技术在文献中是可用的。近年来，出现了许多混合分割技术，与传统方法相比，它们提供了更好的分割结果。这些混合分割被分类为基于模型的分割方法[4，5]，机器学习电子邮件地址：priyadarsan. gmail.com。同行审查，由埃及未来大学计算机和信息技术系负责。方法[6]、图切割方法[7]、活动轮廓和水平集方法[8E10]以及基于过渡区域的方法[11E17]。在基于模型的方法中，图像由统计模型表征，并且模型参数用作分割的特征[8]。机器学习过程基本上是一个训练过程，其中训练网络以从训练图像特征（如纹理，亮度等）优化网络的权重。训练后，网络呈现查询图像，并根据调整后的权重和学习的权重执行基于分类的分割[6]。基于图割的方法将图像视为具有节点和顶点的加权图，其中节点表示像素或体素，顶点表示像素之间的邻域关系。表示切割的成本函数在它有效地将对象与背景分离的意义上是最佳的[7]。基于活动轮廓的方法在外部和内部力的存在下使其形状变形，从而使轮廓朝向对象[9]。在基于边缘的活动轮廓方法中，https://doi.org/10.1016/j.fcij.2018.10.0022314-7288/Copyright© 2018埃及未来大学计算机与信息技术学院。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。322P. Parida/Future Computing and Informatics Journal 3（2018）321e 333图像梯度用于检测对象边界[18]，而基于区域的活动轮廓使用对象和背景区域来找到模型最佳拟合图像的能量最佳值[11]。水平集方法通常利用边缘指示器将零水平集拉向所需对象边界的方向[9]。基于过渡区域的方法[13e16，19，20]使用过渡区域进行图像分割。在基于局部熵（LE）的方法中[19]邻域的熵被认为是确定过渡区域的熵。它的局限性在于，当局部区域灰度变化频繁时，局部熵增大，邻域内的像素被识别为过渡区域，属于前景或背景。为了克服这些缺点，Li等人[13]开发了一种基于灰度差（LGLD）的过渡区域局部提取方法，该方法考虑了灰度级的变化和这些变化的程度。然而，用于确定阈值的参数选择单元是一个问题。然后采用改进的局部熵方法（MLE）[14]这种方法也存在与LGLD相同的问题。当前景和背景具有不同的强度时，这些技术是无效的。此外，它们主要用于包含单个对象的图像。近年来，李作永等人提出了一种基于过渡区域的鲁棒单目标图像分割方法。[15] 基于显著过渡区域的分割提供了良好的分割结果。但是，它只适用于包含单个对象的图像。为了减轻限制，Parida et al.[16] 提出了基于局部方差和形态学算子的单目标和多目标分割方法。在该方法中，图像被分为四类的基础上，无论是简单的背景和前景的纹理。当该方法应用于具有以下特征的图像时，(i)纹理背景和（ii）前景和背景之间的重叠灰度级。为了提高性能，Parida等人。[20]提出了一种使用过渡区域的2-DGabor滤波器的该方法适用于背景和前景灰度重叠的情况.当图像中含有纹理背景时，该方法不能很好地执行。此外，已经发现，当背景和前景都很简单时，所提出的方法[20]不能优于Parida等人[16]聚类是用于分割目的的基本方法之一。文献[21，22]中提供了许多基于聚类的分割算法。目前发展起来的聚类方法主要分为两种类型：（a）清晰集聚类，其中每个数据点都被限制在一个簇中。(b)模糊聚类方法，其中数据点的聚类根据模糊集涉及部分隶属度的概念。模糊c-均值聚类方法是一种应用最广泛的聚类方法，用于将数据集划分为不同的不相交的集合的数量，其中每组数据点彼此独立[22]。过渡区分割方法着重于过渡区的准确提取.更好的过渡区域提供更好的图像分割。因此，在这里我们提出了一种使用模糊c-均值聚类提取过渡区域的方法，它给出了更好的分割。过渡区的提取所提出的方法在图3和图4中示出。1e4。在这里，将结果与最近开发的基于过渡区的方法进行比较，例如RIB，Parida等人[16]和Parida等人[20]。所有方法都在取自MSRM数据集的船和小狗图像上进行了测试[23]。图1显示了不同方法在船图像上的过渡区域。检测到由圆圈指示的区域这可以通过观察图1（f）e（i）所示的指示区域的放大版本来更好地检查。用红色标记的双箭头表示连续点（连续或不连续）。由于所提出的方法给出了更好的过渡区域，因此与其他方法相比，分割结果也更好，这可以从图中看出。 二、还在Puppy图像上测试了该方法，结果示于图1A和1B中。3和4与其他方法相比，该方法的过渡区域有效地抑制了背景纹理。分割结果的有效性如图所示。 四、论文的其余部分组织如下：第2节简要介绍了所提出的方法。第3节讨论了用于评估分割结果的各种性能指标。第4节解释了使用3类模糊c均值聚类的原因。实验结果和讨论在第5节中给出。最后，论文在第6节中结束。2. 该方法该方法从原始灰度图像的局部方差特征提取入手。提取的局部特征将输入图像划分为不同的强度级别。进一步的三类模糊c-均值聚类方法应用于特征图像提取三个不同的强度水平。这导致前景和背景之间的过渡区域的更容易提取。在过渡区域采用形态学细化和区域填充操作提取目标区域。最后，通过这些对象区域提取对象。图5示出了所提出的方法的架构。2.1. 局部方差特征提取首先从原始图像中提取局部方差特征。提取局部方差特征后的区域一般是具有较高方差的区域P. Parida/Future Computing and Informatics Journal 3（2018）321e 333323XX.Σ¼¼Fig. 1.船图像的过渡区域提取：（a）原始灰度图像，（b）RIB，（c）[16]，（d）[20]，（e）提出的方法，（f）e（i）（b）e（e）的缩放区域R。图二.各种方法的船图像分割结果和分割掩码：（a）原始图像，（b）e（e）不同方法的分割结果：（b）RIB，（c）[16]，（d）[20]，（e）建议的方法，（f）地面实况，（g）e（j）不同方法的分割掩码：（g）RIB，（h）[16]，（i）[20]，（j）建议的方法。图3. Puppy图像的不同方法的过渡区：（a）RIB，（b）[16]，（c）[20]，（d）建议的方法。包含对象区域的边缘，其中均匀区域与边缘区域相比具有较小的方差[16]第10段。对于一个n×n的局部邻域，Lvk;ls21n n2k1; 2;：：：;M¼fx;y-f表示局部方差特征被提取为n2-1x1y¼1l¼1; 2;：;Nð1Þ324P. Parida/Future Computing and Informatics Journal 3（2018）321e 333见图4。各种方法的Puppy图像的分割结果和分割掩码：（a）原始图像，（b）e（e）不同方法的分割结果：（b）RIB，（c）[16]，（d）[20]，（e）建议的方法，（f）地面实况，（g）e（j）不同方法的分割掩码：（g）RIB，（h）[16]，（i）[20]，（j）建议的方法。图五.建议方法的架构。P. Parida/Future Computing and Informatics Journal 3（2018）321e 333325××ðÞX X¼¼ ðÞ¼[1/2][1/2]u i; j ¼.P.我.X拉乌.拉乌¨¨.其中， x;y 表示局部邻域坐标 子图像f，符号f是邻域的灰度平均值。通过从左到右和从上到下滑动窗口来在整个图像中应用等式（1），图像的高度和宽度分别由M和N表示。局部方差特征图像仅表示主要特征，例如对象的边缘以及进一步聚类的背景特征。2.2. 模糊c均值聚类提取过渡特征对前一步提取的局部特征进行聚类，提取过渡特征。聚类可以清楚地理解，该图简单地表示背景区域。绿色区域是指示对象区域的内部突出纹理区域以及外部背景纹理区域的第二类分区集。蓝色区域表示位于对象和背景之间的边界上的过渡特征。最后，在聚类过程的最后，我们获得三个不同的类别的功能，我们选择了第3类的功能，这是所谓的过渡功能的后续处理。图中给出了单个类分离演示。第七章用于FCM的算法如下：FCM试图为一组特征找到最小化成本函数的分区（p个这些技术搜索像素或像素簇之间的相似性，以在特征空间中找到不同的结构。它基本上是从输入特征空间p中文（简体）1/1Cj1.Ui;jdi;j2在一个均匀的像素组中[24]。模糊c均值聚类算法由于其简单性而成为应用广泛的非监督聚类算法之一。这里，聚类被应用于方差特征。这些特征包括背景特征、过渡特征和物体内部纹理特征。对特征图像采用了3类FCM算法。第4节讨论了选择3类聚类的原因。第一类分离出背景特征。第二类分离出的内部纹理特征存在于对象区域以及一些纹理特征的背景部分。第三类将第二类特征的中间部分分开，基本上称为过渡特征。该分离是更好地显示在图6中。其中U Ui;j是模糊划分矩阵，Ui;j20; 1是第i个聚类中第j个术语Mm1;：;m p 聚类中心矩阵。项m21;∞被称为模糊化参数，其通常被设置为值2[25]。项di;jd xj;mi是欧几里德xj和mi之间的距离。总结一下我们的特征聚类算法的工作原理如下：(a) 初始化m、c和一个小的正整数ε的适当值。随机选择聚类中心M。初始化步长变量t0。(b) 在t0处求值或在t>0处更新模糊划分矩阵U为图6（a）和图6（c）示出了鹰和小狗图像的特征图像。图6（b）和图6（d）显示了基于3类FCM的Eagle和Puppy图像的特征分类。ðtþ1Þpl¼1dl;j1，di;j1=Σð3Þ红色区域是FCM聚类的一级划分。从对于i/1;：;p和j/1;：;C。(c) 将均值矩阵M更新为最后一次Cj1Mt1i; j！， .XCt1i;j快！ð4Þ为，i¼1;：;p.(d) 重复步骤（b）和（c），直到满足以下条件：Mt1-Mtε 5<我们的方法初始化的聚类数是3。最后，我们实现了3个不同的聚类的特征图像。选择3类FCM的原因在第4节中讨论。2.3. 从过渡特征中提取过渡区域见图6。Puppy和Eagle图像的特征图像和聚类输出：（a）Puppy图像的特征，（b）（a）的3类聚类，（c）Eagle图像的特征，（d）（c）的3类聚类。在前一步中，我们实现了三个不相交的特征集，它们被分类为类1，类2和类3特征。j1MΣXJ326P. Parida/Future Computing and Informatics Journal 3（2018）321e 333¼-JJ¼¼图第七章从Puppy和Eagle图像的3类聚类中分离单个类：（a）Puppy图像的3类聚类，（b）e（d）从（a）分离单个类，（e）Eagle图像的3类聚类，（f）e（h）从（e）分离单个类Class-1仅包含背景特征。将目标内部区域和部分背景区域的特征归为第二类特征。前景和背景之间的边界被分类为3类特征（过渡特征）。对第三类特征进行Otsu阈值分割，得到过渡区域。最后，在处理结束时，提取阈值化图像，其中值1指示将对象与背景分离的过渡区域。2.4. 形态疏净操作3. 业绩计量通过5种不同的性能指标定量评估所提出方法的性能：误分类误差（ME）[26，27]、假阳性率（FPR）[27]、假阴性率（FNR）[27]、Jaccard指数（JI）[28]和分割准确度（SA）[29]。在二进制分类中，被错误地分类为背景或反之亦然的前景（对象）像素被称为误分类误差（ME）[26]。ME定义为从前一步提取的过渡区域适当地包围目标区域这些地区是ME1jBOBTj jFOFTjjBOj jFOjð6Þ几个像素的宽度。因此，为了实现单像素宽度的封闭对象轮廓，过渡区域经受形态学细化操作。细化操作产生对象的边缘图像以及边缘附近的一些孤立像素。为了去除这些孤立的像素，进行形态学清洗操作。在形态学细化和清洗操作的最后，我们提取干净的物体轮廓，在本质上是连续的。2.5. 形态学区域填充提取目标区域在前一步中获得的对象轮廓是完全连接的。这些进一步经历形态区域填充操作。在该过程中，边缘图像的内部部分填充有值1，其余值为0。其中，B0和F0表示地面实况图像的背景和对象像素，而BT和FT表示分割结果的背景和前景像素。运算符：表示集合运算的基数。ME值介于0和1之间，其中0表示完全分割，没有任何偏离地面真实值。值1对应于完全错误分割结果。ME的值越小对应于更好的分割结果。度量FPR和FNR更精确地定义了前一个度量。FPR是被分类为目标像素的背景像素的数量与背景像素的总数之比。FNR是在背景像素中分类的对象中的像素数与总对象像素的比率。FPR和FNR定义为填充值为1的该区域称为对象区域或分割掩模。2.6. 从对象区域从前一步骤中提取的对象区域是FPRjBOFTjjBOjFNRjFOOBTjjFO jð7Þð8Þ二进制图像，其中1表示对象遮罩，而0表示背景部分。用灰度图像的原始灰度值代替1值提取分割目标。0被替换为强度值255以使分割结果的背景为白色。FPR和FNR的值也在0和1之间变化FPR和FNR值越低，分割效果越好。较高的FPR和FNR值分别使结果高度过分割和欠分割。P. Parida/Future Computing and Informatics Journal 3（2018）321e 333327¼图八、Eagle和Puppy图像的高级聚类效果表1类别数量对Eagle和Puppy图像性能指标的影响。其中，GT和SR分别对应于地面实况和分割结果。JI值在0和1之间变化。更高的值（即，接近于1）表示更好的分割结果或与地面实况（所需的分割结果）的最大相似性。分割准确度（SA）[29]是一个全局度量，表示分割结果中总的良好分类像素的比率，其给出为为了评估分割结果与SA¼正确分割的像素总像素数10使用地面真实Jaccard指数。Jaccard指数[28]定义为：SA的值保持在0到1的范围内。高SA值表示更好的分割精度。 基于上述五个性能指标，JIjGTSRjj GTSR jð9Þ与各种分割方法进行了定量比较。图像的若干类我FPRFNR纪SA鹰三级0.00830.00390.08330.85830.9917五级0.00800.00400.07810.86270.99207级0.00790.00410.07430.86480.9921小狗三级0.01720.01990.01130.94830.9828五级0.30480.01690.92010.07710.69527级0.31130.01710.93990.05800.6887328P. Parida/Future Computing and Informatics Journal 3（2018）321e 333表2不同图像类型的不同方法的性能指标（ME、FPR、FNR、JI、SA）SL. 号图像方法我FPRFNR纪SA1鹰乐0.29920.31650.00000.15460.7008MLE0.05340.03080.44600.36070.9466LGLD0.80090.79150.96330.00250.1991肋0.01590.01670.00170.77420.9841[16个]0.00650.00470.03780.88960.9935[20个]0.01020.00490.10130.82860.9898该方法0.00830.00390.08330.85830.99172鸟乐0.09390.09900.00720.36960.9061MLE0.06540.04140.48080.30280.9346LGLD0.97920.99010.79320.01160.0208肋0.03690.02020.32450.50060.9631[16个]0.02740.01920.16840.62690.9726[20个]0.02560.01480.20840.63200.9744该方法0.02430.01430.19480.64780.97573船乐0.24350.26580.19160.49930.7565MLE0.18710.04360.52430.43160.8129LGLD0.73070.83300.49240.17260.2693肋0.17840.01210.56880.41930.8216[16个]0.06220.00170.20320.79360.9378[20个]0.05780.00210.18750.80860.9422该方法0.04880.00110.16000.83790.95124花-1乐0.58830.72380.21920.26270.4117MLE0.34410.14580.88710.08070.6559LGLD0.01140.00050.04100.95770.9886肋0.01490.02020.00060.94710.9851[16个]0.01840.01860.01770.93490.9816[20个]0.01670.01650.01710.94060.9833该方法0.01000.00810.01510.96350.99005木瓜乐0.59250.76580.38350.32050.4075MLE0.32660.06380.64550.32910.6734LGLD0.12770.00000.28160.71840.8723肋0.32040.00000.70930.29070.6796[16个]0.01990.01530.02540.95700.9801[20个]0.01950.01220.02840.95760.9805该方法0.01770.00070.03810.96110.98236球员乐0.31790.33100.14920.16120.6821MLE0.17100.14390.52430.16560.8290肋0.15570.09091.00000.00000.8443LGLD0.80650.85850.13420.07160.1935[16个]0.08240.08070.10480.43820.9176[20个]0.09790.09500.13570.38800.9021该方法0.05140.04320.15800.54050.94867小狗乐0.36860.41110.27770.38460.6314MLE0.33790.07870.89410.09060.6621肋0.31690.00700.98210.01770.6831LGLD0.01910.0030.05370.94040.9809[16个]0.30740.02010.92110.07560.6926[20个]0.03540.04430.01620.89870.9646该方法0.01720.01990.01130.94830.98288花-2乐0.28780.29190.25990.24860.7122MLE0.15710.06780.76330.16210.8429LGLD0.01610.00920.06310.88180.9839肋0.01410.01610.00050.90100.9859[16个]0.00780.00720.01180.94210.9921[20个]0.00890.00840.01270.93440.9911该方法0.00780.00750.01000.94210.99229手机乐0.43430.58480.19260.41640.5657MLE0.29290.07940.63950.31930.7071LGLD0.16620.00180.43030.56810.8338肋0.25400.01400.64360.34850.7460[16个]0.02480.02400.02600.93790.9752[20个]0.02160.01280.03570.94490.9784该方法0.01720.00650.03440.95560.9828P. Parida/Future Computing and Informatics Journal 3（2018）321e 333329表2（续）SL. 号图像方法我FPRFNR纪SA10440乐0.49770.51800.37080.14840.5023MLE0.15970.09930.53730.28560.8403LGLD0.16940.13320.39560.32970.8306肋0.11130.00640.76690.22420.8887[16个]0.03270.02050.10890.78980.9673[20个]0.03260.01360.15170.78170.9674该方法0.03170.01270.15050.78710.96834. 选择3类聚类的原因及高类聚类用于聚类的类的数量取决于各种因素，例如计算时间和性能度量。为了解释这种关系，我们做了一个小实验。如果我们在聚类算法中增加类的数量，那么由于迭代步骤的增加，计算时间也会随之增加。如果我们增加集群中的类的数量，它只是减少了过渡区域的宽度。这可以从图8（a）中得到验证，其中三个不同的聚类类被应用于Eagle特征图像。图8（a）的第一行表示3类聚类方法的输出。第二行显示了5类聚类的聚类结果。第三行表示使用7类聚类方法对同一特征图像的聚类结果。从结果可以得出结论，如果我们增加聚类的类的数量的过渡区域变得更小的宽度。但从性能的角度来看，结果变化不大，这可以从表1中得到验证。在表1中，针对不同的类聚类计算了Eagle图像的性能度量。如果我们从3类聚类增加到7类聚类，分割精度（SA）提高了0.04%。这表明，对于性能的低改善，因此增加类的数量是不明智的，这会增加计算时间。在Puppy图像的情况下，如果我们从3类聚类增加到7类聚类，则性能度量显著降低。从表1中可以验证Puppy图像的事实。图8（b）示出了针对不同类别聚类的Puppy图像的聚类结果。上面的讨论使我们选择3类聚类而不是更高的类聚类。5. 结果和讨论整个实验在具有Core-i3的PC上进行1.9 GHz处理器和8 GB RAM。实验是在MATLAB7.0环境下进行的。所提出的方法与几种现有的基于过渡区的方法进 行 了 比 较 ， 例 如 LE[19] ， MLE[14] ， LGLD[13] ，RIB[15]，Parida等人[16]和Parida等人。[20]。用于实验的图像是8位和不同的分辨率，以证明所提出的方法的有效性。图像取自MSRM数据集[23]和Wisemann数据集[30]，其中包含单个和多个对象，实验过程。用于实验的图像组具有前景（简单或纹理）和背景（简单或纹理）的所有组合。对于每张图像的定量评价，评价了所有方法以及拟定方法的5种不同性能测量（ME、FPR、FNR、JI和SA），见表2。对于定性评估，分割结果及其分割掩模以及原始图像和地面实况如图所示。 9和图 10分别。开始我们的分析，对于鹰图像，背景天空有一些纹理，但前景很简单。除FPR和FNR外，方法[16]对于Eagle图像，最佳FNR由RIB给出所提出的方法达到了最佳的FPR值，因为其他措施几乎相等，表明所提出的方法的结果是较少的过度分割相比，其他。鸟的形象是有两个对象的简单前景和背景。除FNR外，所提方法在所有性能指标方法LE获得了鸟图像的最佳FNR值，但是来自图9的视觉表示示出了与其他方法相比，LE方法保留了大部分前景区域。与背景相比，船图像具有更多纹理的前景。所提出的方法达到最佳性能的措施，表明它的工作更好的条件下，前景纹理占主导地位的背景。Flower-1图像具有简单的前景和背景纹理。除了FPR和FNR外，该方法获得了更好的性能最低FPR由LGLD方法给出，而最佳FNR由RIB方法给出。定性结果表明，所提出的方法实现了比其他方法更好的分割结果，这可以从图10中的分割掩模中可视化。木瓜图像具有纹理前景和简单前景。所提出的方法在tains最低值的ME，JI和SA。方法RIB达到最低FPR，而方法[16]达到最低FNR。图10指示对于提供欠分割结果的RIB方法运动员图像是由复杂背景组成的多目标图像，与人群有一定的距离。所提出的方法实现了最好的所有性能指标，除了FNR措施。方法[16]获得了最佳FNR值，表明结果稍微欠分割。但是分割结果的视觉检查以及来自图1和图2的分割掩模。图9和图10揭示了与其他方法相比，所提出的方法结果包含更少的背景（存在于图像的上侧）。同样，对于Puppy图像，330P. Parida/Future Computing and Informatics Journal 3（2018）321e 333见图9。不同图像的各种方法的分割结果：鹰，鸟，船，花-1，木瓜，球员，小狗，花-2，手机，440。(a)原始灰度图像，（b）LE，（c）MLE，（d）LGLD，（e）RIB，（f）[16]，（g）[20]，（h）建议的方法。P. Parida/Future Computing and Informatics Journal 3（2018）321e 333331见图10。不同图像的各种方法的分割掩模：鹰，鸟，船，花-1，木瓜，球员，小狗，花-2，手机，440。(a)Ground truth，（b）LE，（c）MLE，（d）LGLD，（e）RIB，（f）[16]，（g）[20]，（h）建议的方法。无论是前景和背景纹理，所提出的方法实现了最佳措施的所有参数，除了FPR。LGLD方法给出了最低的FPR，表明所提出的方法的结果是稍微过分割。但是从图10的视觉检查显示LGLD方法损失了最大的前景部分。同样，对于Flower-2图像，所提出的方法获得了最佳的ME，JI和SA。方法[16]实现了最低的FPR，表明所提出的方法的结果比[16]过分割。方法RIB给出了最低的FNR，表明所提出的方法的结果是332P. Parida/Future Computing and Informatics Journal 3（2018）321e 333表3不同方法对各种业绩衡量的平均业绩方法平均ME平均FPR平均FNR平均联合执行平均SA乐0.37240.43080.20520.29660.6276MLE0.20950.07950.63420.25280.7905LGLD0.34740.28570.54430.36600.6526肋0.17720.09670.32040.54180.8229[16个]0.05900.02120.16250.73860.9411[20个]0.03260.02250.08950.81150.9674该方法0.02340.01180.08560.84420.9766与RIB相比，分段不足手机图像的前景是有纹理的，背景中有阴影所提出的方法获得了ME、JI和SA的最佳值，而方法[16]获得了最低的FNR，表明所提出的方法的结果是欠分割的。该现象可以从图9中可视化，其中所提出的方法的结果损失了手机的天线部分。LGLD方法给出了手机图像的最佳FPR值。对于440图像，所提出的方法获得了最低的ME和SA值，而方法[16]和RIB分别获得了FNR、JI和FPR的最佳值但是，图10中的分割掩模的视觉表示揭示，与现有方法相比，所提出的方法即使丢失了一些前景部分也去除了很多背景。为了显示所提出的方法与其他方法相比的有效性，计算了所有图像的平均性能度量，并在表3中给出。从表3中可以明显看出，所提出的方法具有最低的平均ME、FPR、FNR，而具有最高的JI和SA。因此，所提出的方法可以被视为更好的方法相比，其他。表3中的粗体值表示性能测量的最佳值。6. 结论该方法为图像分割提供了一种新的基于局部特征模糊聚类的过渡区域提取方法。所提出的方法是鲁棒的，在这个意义上，它准确地提取准确的过渡区，而不管背景（纹理或简单）。实验结果表明，该方法优于其他几种方法。3类模糊聚类的选择该方法适用于单个和多个对象，结果包含较少的背景区域，对象区域的损失很小。引用[1] Mondal S，Bous P.神经计算：一项使用计算机和鼠标生物识别技术相 结 合 的 连 续 身 份 验 证 研 究 。 神 经 计 算 2017;230 ： 1e 22.https://doi.org/10.1016/j.neucom.2016.11的网站。031号。[2] Iii WMW，Mondal S，Bous P，Akram T，Naqvi SR，Haider SA，etal. Medical Image Analysise past，present，and future. Comput ElectrEng 2017;59：1e 22. https://doi.org/10.1016/j.neucom.2016.11.031网站。[3] 张文辉，张文辉，张文辉.实时作物监测疾病分类：利用计算机视觉中 的 并 行 性 。 ComputElectrEng2017;59 ： 15e26.https://doi.org/10.1016/j.compeleceng.2017.02.020.[4] 夏Y，季Z，张Y.基于学习局部变分高斯混合模型的脑MRI图像分割。神经计算2016;204：189e97.https://doi.org/10.1016/j.neucom.2015.08.125网站。[5] 纪志，夏毅，孙勤，陈勤，冯东.基于自适应尺度模糊局部高斯混合模 型 的 脑 MR 图 像 分 割 。 神 经 计 算 2014; 134 ： 60e9.https://doi.org/10.1016/j.neucom.2012.12.067网站。[6] 伦·马利克学习用于分割的分类模型。In：Pro-CENTRAL NinthIEEE International Conference on Computer Vision，vol. 1. IEEE; 2003年。第10和第 7 页。https://doi.org/10.1109/ICCV.2003.1238308网站。[7] 杨文，杨文，等.图像分割的图形分割方法.北京：计算机科学出版社，2000.在：第八届IEEE计算机视觉国际会议论文集。ICCV 2001年。IEEE计算Soc;2001.第105和12页。https://doi.org/10.1109/ICCV.2001.937505。[8] Kim SC，Kang TJ.基于小波包框架和高斯混合模型的纹理分类与分割。PatternBronze2007;40：1207e21.https://doi.org/10.1016/j.patcog.2006.09.012网站。[9] Zhou Y，Shi W-R，Chen W，Chen Y，Li Y，Tan L-W，et al.基于局部区域和边缘强度拟合能量驱动的活动神经计算2015;156：199e210. https://doi.org/10.1016/j.neucom.2014.12.061。[10] Chan TF，Vese LA.没有边缘的活动轮廓。IEEE Trans Image Process2001;10：266e 77. https://doi.org/10.1109/83.902291网站。[11] 陈勇，张杰，米什拉A，杨杰。基于改进水平集方法的图像分割和偏差校正。神经计算2011;74：3520e30.https://doi.org/10.1016/j.neucom.2011.06.006网站。[12] 杨春，张涛，张涛.基于局部熵的过渡区域提取和阈值化。PatternLett 2003;24：2935e 41. https：//doi.org/10.1016/S0167-8655（03）00154-5.[13] 李志，刘春.基于灰度差分的过渡区提取与阈值分割。Comput ElectrEng 2009;35：696e 704. https://doi.org//j.compeleceng.2009.02.001.[14] 李志，张丹，徐勇，刘春。改进的基于局部熵的过渡区域提取和阈值分割。ApplSoftComputJ2011;11：5630e8.https://doi.org/10.1016/j.asoc.2011.04.001网站。[15] 李志，刘刚，张丹，徐勇.基于显著过渡区域的鲁棒单目标图像分割。PatternPenguin2016;52：317e31.https://doi.org/10.1016/j.patcog.2015.10.009网站。[16] Parida P，Bhoi N.基于过渡区的灰度图像单目标和多目标分割，工程科学与技术。IntJ2016;19：1206e15.https://doi.org/10.1016/j.jestch.2015.12.009网站。[17] Parida P，Bhoi N.基于小波变换的图像过渡区提取方法。FutureComputInfJ2017;62：119e34.https://doi.org/10.1016/j.fcij.2017.10.005.[18] 放大图片作者：Kass M，Witkin A，Terzopoulos D. Snakes：活动轮廓模型。IntJComputVis1988;1：321e31.https://doi.org/10.1007/BF00133570网站。[19] 杨春，张涛，张涛.基于局部熵的过渡区域提取和阈值化。PatternLett 2003;24：2935e 41. https：//doi.org/10.1016/S0167-8655（03）00154-5.P. Parida/Future Computing and Informatics Journal 3（2018）321e 333333[20] Parida P，Bhoi N.基于2-D Gabor滤波器的过渡区提取和形态学运算的 图 像