基于聚类和特征权值学习的彩色图像分割方法CGFFCM

软件影响11（2022）100228原始软件出版物CGFFCM：一种基于聚类权值和特征权值学习的彩色图像分割方法Amin Golzari Oskouei，Mahdi Hashemzadeh伊朗大不里士阿塞拜疆沙希德马达尼大学信息技术和计算机工程学院伊朗大不里士阿塞拜疆沙希德马达尼大学人工智能和机器学习研究实验室自动清洁装置保留字：聚类彩色图像分割聚类加权特征加权代码元数据A B标准CGFFCM（模糊C均值中的权值和组局部权值学习）是一种基于聚类的彩色图像分割方法。该算法采用自动聚类加权策略来降低初始化敏感性，采用组局部特征加权技术来提高聚类精度。此外，它利用了图像特征的有效组合，由来自三个不同组的八个特征组成（即，局部均匀性、CIELAB颜色空间和纹理），以提高图像分割质量。CGFFCM还利用帝国主义竞争算法来优化其特征加权过程。CGFFCM的开源Matlab实现是可用的。当前代码版本V1.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2021-197可复制胶囊的永久链接https://codeocean.com/capsule/8809672/tree/v1法律代码许可证MIT许可证使用Matlab R2016b创建的代码版本控制系统使用Matlab的软件代码语言、工具和服务编译要求、操作环境依赖性如果可用，链接到开发人员文档/手册https://github.com/Amin-Golzari-Oskouei/CGFFCM问题支持电子邮件a. tabrizu.ac.ir，hashemzadeh@azaruniv.ac.ir1. 介绍图像分割是将数字图像分割成若干部分的过程。其目的是简化或改变图像的表示，使其更有意义，更容易分析。在计算机视觉中，图像分割过程用于各种应用，例如目标检测[1]，人员计数[2]，火灾检测[3]，医学图像分析[4]以及其他工业和监控应用[5，6]。文献中出现了大量不同的图像分割技术，可以分为三大类：(1)基于阈值的方法[7，8]，（2）基于区域的方法[9]，以及(3)基于聚类的方法[9在这些方法中，基于聚类的方法，特别是k-划分算法，如k-means和模糊c-means（FCM），是流行和有用的，因为原文DOI：https://doi.org/10.1016/j.asoc.2021.108005。保留更多的图像信息，简单快速的实现[9]，以及它们提供的良好结果[13，16]。在这项工作中，我们为彩色图像分割任务提供了CGFFCM（模糊C均值中的权重和组局部权重学习）方法的开源Matlab实现，该方法最近发表在[16]中。2. CGFFCMCGFFCM [16]的基础受到我们在[17]中提出的聚类算法的启发。在CGFFCM中，一个自动的聚类加权计划，以减少对聚类初始化的敏感性，和一个组局部特征加权策略应用于更好的图像分割。此外，聚类过程与帝国主义竞争算法（ICA）[18]相结合，以优化本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯地址：Azarbaijan Shahid Madani University，Tabriz-Azarshahr Road，Tabriz，Post Code：5375171379，Iran。电子邮件地址：a. tabrizu.ac.ir（A. Golzari Oskouei），hashemzadeh@azaruniv.ac.ir（M. Hashemzadeh）。https://doi.org/10.1016/j.simpa.2022.100228接收日期：2021年12月23日;接收日期：2022年1月2日;接受日期：2022年1月9日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsA. Golzari Oskouei和M.哈希姆扎德软件影响11（2022）1002282Fig. 1. CGFFCM的结构特征加权过程。此外，由来自三组的八个特征组成的图像特征的有效组合（即，局部均匀性、CIELAB颜色空间和纹理）被用于具有更好的分割结果。图1说明了CGFFCM的结构。如该图所示，该过程开始于从输入图像中提取特征。然后，提取的特征输入到CGFFCM聚类算法。ICA方法也被CGFFCM用来优化其特征加权过程。输出是分割的图像。在CGFFCM中，基本思想是提取的特征的重要性对于每个图像是不同的。一组特征通常可能是重要的，但是一组中的子特征的重要性可能比其他子特征更小或更大。CGFFCM的目标是通过同时强调重要的特征组和子特征来提高图像分割质量。为此，在聚类过程中利用了组局部特征加权技术。 在该技术中，与诸如局部加权技术的其他特征加权方法（特征在不同的区域中具有不同的权重聚类）[17，19]或全局加权（特征在所有聚类中具有相同的权重）[17，19]，组和每组中的子特征根据其在聚类中的重要程度获得不同的权重。因此，加权更有效和高效地进行，产生更好的分割结果。此外，为了降低对初始中心的敏感性，使用聚类加权技术。在综合考虑特征和子特征重要性的基础上，动态地提取聚类权值。关于特征加权和聚类加权机制的更多细节可参见[16，17]。3. 如何使用CGFFCM在Matlab中实现了CGFFCM。图2中显示了已实现程序中存在的模块和子模块。如图所示，它包括名为Demo的主函数和三个模块（即，CFDFCM和Evaluator），其中每个模块还具有一些子模块。该程序的主要模块如下所述• Demo：这个模块包含一个主脚本，在其中调用其他 通过运行演示程序，首先加载输入图像（或多个图像）。然后，两个一般参数，即， 最大迭代次数和算法重新启动次数由用户输入。• MatriureExtractor：该模块负责从输入图像中提取特征。此模块的输出是一个���x8矩阵，其中x8表示图像像素的数量，8是提取特征的数量。前三个特征是对于局部均匀性，以下三个是用于颜色空间，最后两个是用于纹理特征。图二. 已实现程序中存在的模块和子模块。• CGFFCM ：这个 函数 实现了 CGFFCM 方法 。它 的输入 来自 于MatchureExtractor模块，其输出如下：◦ Cluster_elem：是一个表示输入图像中 第n个像素到第 n个区域的相似性的n×n◦ M：是聚类中心矩阵（× ），其中和���图1是聚类的数量和特征的数量分别为：◦ EW_history：是在算法迭代期间存储的目标函数的值;◦ Z：是表示第n 个聚类中的第n个特征的权重的n×n◦ W：是一个长度为1的向量，表示聚类的权重。���• Evaluator：这个函数也被主函数Demo调用。该函数的输出是在结果分割图像上计算的性能度量。4. 影响CGFFCM出现在我们最后的研究工作[16，17]，并已被证明是一个强大的工具，用于不同的图像分割A. Golzari Oskouei和M.哈希姆扎德软件影响11（2022）1002283图3.第三章。 病变分割应用程序上CGFFCM的输出示例。（a）输入图像，（b）地面实况，和（c）通过CGFFCM分割的图像图四、 白细胞分割应用程序上CGFFCM的输出示例。（a）输入图像，（b）地面实况，和（c）通过CGFFCM分割的图像任务在本节中，介绍了所实现的软件的一些应用。皮肤病变分割：皮肤病变分割是医学图像分割任务之一，对于检测黑色素瘤至关重要。黑色素瘤是最具生命威胁的皮肤癌，可在正常皮肤上突然发生而无预警，并在预先存在的病变上发展。因此，必须仔细监测病变。皮肤镜图像中皮肤病变的自动分割加速了黑色素瘤诊断[20]。我们在ISIC（国际皮肤成像协作）2017数据集上运行CGFFCM软件[21]。该数据集中的一些图像，它们的大真相和获得的结果如图3所示。如该图所示，皮肤损伤被很好地检测到。在这个实验中获得的检测精度和输出图像表明，实现的软件是一个合适的工具，这种应用。白细胞分割：白细胞的测定对于诊断许多疾病至关重要白血球的数量细胞和形态学变化为疾病如急性淋巴细胞白血病（ALL）的阳性结果提供了有价值的信息[22]。我们在WBC（白细胞）数据集上运行CGFFCM软件[23]。 该数据集中的一些图像，它们的大真相和获得的结果如图所示。四、如该图所示，所实施的程序也有助于检测白细胞。在这个实验中获得的结果和输出表明，CGFFCM软件是一个合适的工具，这种应用。航空图像分割：如今，卫星图像中物体的自动检测是机器视觉研究人员感兴趣的。从航空图像中自动检测建筑物，自然区域，道路等，已经成为许多应用程序的基本任务，例如制图，GIS（地理信息系统）数据库生成，土地使用分析，变化检测和城市监测[24]。 我们在一些航空影像样本上运行CGFFCM软件，其中一些如图所示。五、如该图所示，从这些复合图像中，获得了良好分割的图像中获得的结果A. Golzari Oskouei和M.哈希姆扎德软件影响11（2022）1002284图五、 CGFFCM在空间图像分割应用中的示例输出。（a）输入图像，（b）CGFFCM分割图像实验表明，CGFFCM软件也是一种适用于此应用的工具。CGFFCM的其他应用和[16]中报告的实验结果证实，CGFFCM在彩色图像分割任务中实现了比最先进方法更高的所提供的源代码是高效的、可扩展的、易于理解的、模块化的，并且是专门为处理集群任务中的高维挑战而设计的。它有助于初学者和高级研究人员探索新的想法和机器学习专业人员。要使代码适应处理其他基于集群的任务，只需要对源代码做一些小的修改（比如修改距离函数）。在未来，作者计划通过专注于实现一些模块来进一步改进CGFFCM，例如定义各种距离度量的函数CRediT作者贡献声明Amin Golzari Oskouei：概念化，实施，数据管理，形式分析，调查，方法，验证，可视化，写作Mahdi Hashemzadeh：概念化，实施，数据管理，形式分析，调查，方法论，项目管理，资源，监督，验证，可视化，写作竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1]F. Yang，H. Fan，P. Chu，E. Blasch，H. Ling，空中图像中的目标检测，在：IEEE计算机视觉国际会议论文集，2019年，第100页。8311-8320。[2] M. Hashemzadeh，N.Farajzadeh，结合基于关键点和基于段在 拥 挤 的 场 景 中 计 算 人 数 的 功 能 ， 通 知 。 Sci.345 （ 2016 ）199http://dx.doi.org/10.1016/j.ins.2016.01.060[3] M. Hashemzadeh，A. Zademehdi，火灾探测视频监控应用-基于ICA K-中心点的颜色模型和有效的时空视觉特征，专家系统。Appl.130（2019）60 http://dx.doi.org/10.1016/j.eswa。2019.04.019，09/15/2019.[4] M. 哈希姆扎德湾Adlpour Azar，Retinal vascular extraction employing effectiveimage features and combination of supervised and unsupervised machinelearning methods，Artif.内特尔Med. 95（2019）1http://dx.doi.org/10.1016/[5] M. Hashemzadeh，N. Farajzadeh，一种用于检测可育性的机器视觉系统孵化产业中的鸡蛋，Int.J.Comput。内特尔9（5）（2016）850-862。[6] S. Wazarkar，B.N.Keshavamurthy，一项关于图像数据分析的调查，聚 类 技 术 的 现 实 世 界 的 应 用 ， J. 可 见 。 Commun. 图 像 代 表 。 55 （ 2018 ）596http://dx.doi.org/10.1016/j.jvcir.2018.07.009/08/01/2018。[7]L.他，S.黄，基于改进萤火虫算法的彩色图像分割多级阈值，神经计算240（2017）152 http://dx.doi。org/10.1016/j.neucom.2017.02.040，/05/31/2017.[8] S. Pare，A.Kumar，V.Bajaj，G.K.Singh，一种多层次彩色图像分割算法基于布谷鸟搜索算法和能量曲线技术，应用软件计算。47（2016）76http://dx.doi.org/10.1016/j.asoc.2016.05.0402016.[9] L. Feng，H. Li，Y. Gao，Y. 一种基于区域显著色和模糊C均值算法的彩色图像分割方法，电路系统信号处理。39（2）（2020）586http://dx.doi.org/10.1007/s00034-019-01126-[10] K.S. Tan，N.A.Mat Isa，W.H.基于自适应的彩色图像分割无监督聚类方法，应用。软计算13（4）（2013）2017http://dx.doi.org/10.1016/j.asoc.2012.11.038，/04/01/2013.A. Golzari Oskouei和M.哈希姆扎德软件影响11（2022）1002285[11]H.- J. Xing， M.- H.哈，进一步改进特征加权模糊 C-均值，通知。 Sci. 267（2014）1 http://dx.doi.org/10.1016/j.ins.2014.01。033，/05/20/2014.[12]Z. Zhou ， X. Zhao ， S. Zhu ， K-harmonic means clustering algorithm usingfeature weighting for color image segmentation ， Multimedia Tools Appl. 77（12）（2018）15139http://dx.doi.org/10.1007/s11042-017-5096-9[13]T.R. Farshi，J.H.德雷克，E。Özcan，基于多模态粒子群优化的图像分割方法，专家系统应用程序149（2020）113233，http://dx.doi.org/10.1016/j.eswa.2020.113233，2020/07/01。[14]F. Zhao，Z. Zeng，H.柳河，巴西-地Lan，J. Fan，用于彩色图像分割的代理辅助多目标核直觉模糊聚类算法的半监督方法，IEEE Trans. Fuzzy Syst.28（6）（2020）1023//dx.doi.org/10.1109/TFUZZ.2020.2973121网站。[15]L.H.儿子，T. M. Tuan，使用具有空间约束的半监督模糊聚类从X射线图像中分割牙齿，Eng.Appl.Artif。在-告诉。59（2017）186http://dx.doi.org/10.1016/j.engappai.2017.01.003/03/01/2017.[16]A.G. Oskouei，M.哈希姆扎德湾Asheghi，M. A. Balafar，CGFFCM：彩色图像分割模糊C均值聚类算法中的聚类权值和组局部特征权值学习。（2021）108005，http://dx.doi.org/10.1016/j.asoc.2021.108005，2021/10/26。[17]M. Hashemzadeh，A. Golzari Oskouei，N. Farajzadeh，基于特征权重和聚类权重学 习 的 模 糊 C 均 值 聚 类 新 方 法 ， Appl.软 计 算 78 （ 2019 ）324http://dx.doi.org/10.1016/j.asoc.2019.02.038[18]E. 阿 塔 什 帕 斯 - 加 尔 加 里 角 Lucas ， Imperialist Competitive Algorithm ： AnAlgorithmfor Optimization Inspired by Imperialist Competition ， 2007 IEEECongress《进化计算》，2007年，第10页。4661-4667[19]A. Golzari Oskouei，文学硕士巴拉法角Motamed，FKMAWCW：具有自动属性权重和聚类权重学习的类别模糊k模式聚类，混沌孤子分形153（2021）111494，http://dx.doi.org/10.1016/j.chaos。2021.111494，2021/12/01。[20] R.凯马克角Kaymak，A. Ucar，使用完全卷积网络的皮肤病变分割：比较实验研究，专家系统应用161（2020）113742，http://dx.doi.org/10.1016/j.eswa.2020.113742，2020/12/15。[21]NCF Codella others，皮肤病变分析对黑色素瘤检测：2017年国际生物医学成像研讨会（ISBI）的挑战，由国际皮肤成像合作组织（ISIC）主办，在：2018年IEEE第15届 国 际 生 物 医 学 成 像 研 讨 会 （ ISBI 2018 ） ， 2018 年 4 月 7 日 ， 2018 年 ，pp.168http://dx.doi.org/10.1109/ISBI.2018.8363547[22] M. Habibzadeh，M. Jannesari，Z.雷扎伊山，巴西-地Baharvand，M. Totonchi，使用预训练的深度学习模型进行自动白细胞分类：ResNet和Inception（第十届 机 器视 觉 国际会议），SPIE，2018。[23] X. Zheng，Y.郑氏，中国科学院植物研究所所长。Wang，G. Wang，J. Liu，Fastand robust segmentation of white blood cell images by self-supervised learning，Micron 107（2018）55//dx.doi.org/10.1016/j.micron.2018.01.010，/04/01/2018.[24] F. Dornaika，A.穆贾希德El Merabet，Y. Ruichek，第32章-建筑物检测的图像分割算法和描述符的比较研究，在：P. Samui，S。Sekhar，V.E. Balas（Eds.），《神经计算手册》，学术出版社，2017年，pp. 591-606.