專利名稱：一種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法。
背景技術(shù)：
圖像是人類從客觀世界獲取信息的重要來源和傳遞信息的重要媒介，隨著計(jì)算機(jī)、互聯(lián)網(wǎng)等技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)在エ業(yè)、醫(yī)療、軍事、交通等行業(yè)中發(fā)揮著日益重要的作用。為了有效地提取和利用數(shù)字圖像中所包含的信息，需要對(duì)圖像進(jìn)行分割。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)部具有相同或相似的特性，這里的特性可以是灰度、顔色、紋理等。圖像分割是模式識(shí)別、計(jì)算機(jī)視覺、圖像理解等領(lǐng)域的 最重要的基礎(chǔ)環(huán)節(jié)，它是由圖像處理到圖像分析的關(guān)鍵步驟，也是ー種基本的計(jì)算機(jī)視覺技木。模糊C-均值聚類方法(Fuzzy C-Means，簡(jiǎn)稱FCM)是應(yīng)用最為廣泛的模糊聚類圖像分割方法。相對(duì)于其他分割方法，F(xiàn)CM方法允許ー個(gè)像素同時(shí)屬于多個(gè)類，能夠保留初始圖像的更多的信息。FCM方法通過更新每ー個(gè)像素相對(duì)于每一個(gè)聚類的模糊隸屬度以及更新每ー個(gè)聚類中心，對(duì)用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)進(jìn)行迭代最小化，從而實(shí)現(xiàn)圖像的分割。FCM的目標(biāo)函數(shù)E為:
_5] F = sf=1sf=1/fh.-%||2⑴其中，C是待分割圖像類別的數(shù)目；N是圖像數(shù)據(jù)點(diǎn)的個(gè)數(shù)；Uij是第j個(gè)數(shù)據(jù)點(diǎn)相對(duì)于第i個(gè)聚類的模糊隸屬度邱是作用于模糊隸屬度上的權(quán)重指數(shù)；Vi是第i個(gè)聚類中心七是第j個(gè)數(shù)據(jù)點(diǎn)。用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)最小化的約束條件為Uij C
. Ef=1 Uy = 'I Vj and 0 < Ef=i uy < N Vi . (2)然而，標(biāo)準(zhǔn)的FCM方法在圖像分割中存在以下幾個(gè)明顯的缺點(diǎn)(1)初始聚類中心的選擇對(duì)于圖像分割結(jié)果有很大的影響，如果初始聚類中心選擇不好，則會(huì)使方法陷入局部最優(yōu)，得不到理想的分割結(jié)果；(2)沒有考慮像素的空間信息，導(dǎo)致方法對(duì)于噪聲比較敏感，當(dāng)處理有噪聲的圖像時(shí)，不能取得令人滿意的分割結(jié)果。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了解決上述問題，提供ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，它可用于噪聲圖像(包括彩色圖像和灰度圖像)和醫(yī)學(xué)圖像等數(shù)字圖像的分割。為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，首先對(duì)原始圖像進(jìn)行抗噪預(yù)處理，然后對(duì)聚類中心初始化，并且基于像素的空間信息構(gòu)造空間函數(shù)，利用該空間函數(shù)更新模糊隸屬度矩陣，進(jìn)而得到聚類中心與用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)值，循環(huán)迭代，進(jìn)而實(shí)現(xiàn)圖像的分割。本發(fā)明的具體步驟為I)對(duì)待分割圖像進(jìn)行特征提取，得到圖像的特征數(shù)據(jù)集；2)利用圖像的特征數(shù)據(jù)集X和鄰域信息，對(duì)原始圖像進(jìn)行抗噪預(yù)處理；3)利用K-means算法初始化聚類中心，降低初始聚類中心的選取對(duì)圖像分割的影 響；4)計(jì)算模糊隸屬度矩陣；5)通過基于空間信息構(gòu)造的空間函數(shù)來更新模糊隸屬度矩陣；6)基于更新后的模糊隸屬度矩陣計(jì)算聚類中心與用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)值；7)根據(jù)聚類輸出的模糊隸屬度矩陣，得到數(shù)據(jù)點(diǎn)屬于某ー類的概率大小，按照最大概率原則對(duì)每個(gè)數(shù)據(jù)點(diǎn)就行分類標(biāo)記，完成圖像分割。所述步驟I)中，對(duì)待分割圖像進(jìn)行特征提取，得到圖像的特征數(shù)據(jù)集X = {xz,x2,, } x>} c PJ, Xi = {xiv. ,xis}， (3)其中，X是原始圖像的特征數(shù)據(jù)集，Xi為原始圖像的數(shù)據(jù)點(diǎn)，N為圖像數(shù)據(jù)點(diǎn)的個(gè)數(shù)，S為數(shù)據(jù)點(diǎn)Xi的維數(shù)，即為數(shù)據(jù)點(diǎn)的特征值的個(gè)數(shù)；所述步驟2)利用圖像的特征數(shù)據(jù)集和鄰域信息，對(duì)原始圖像進(jìn)行抗噪預(yù)處理，分為以下幾個(gè)步驟2-1)計(jì)算原始圖像上每個(gè)像素與其鄰域像素的相似度；設(shè)Xi為圖像中的第i個(gè)數(shù)據(jù)點(diǎn)，Ni是Xi的鄰域數(shù)據(jù)點(diǎn)的集合，Xj是Ni中的第j個(gè)數(shù)據(jù)點(diǎn)；圖像中Xi相對(duì)于Xj的相似度Su定義為sけ=ffXS(’ ⑷其中，Sg為特征相似度函數(shù)，Si為鄰域相似度函數(shù)，其定義分別為Sg = exp (土:!;と:—:)，(5)其中，Iffc,ち:)=exp(-が^f[デ■;Xi與Xj分別為第i與第j個(gè)像素的
特征值，、為Xi的鄰域Ni中像素點(diǎn)的個(gè)數(shù)，U為相似度下限參數(shù)，U >0, A為相似度衰減參數(shù)，入> 0;Si = exp，(6)其中，Pi和Qi為Xi的橫坐標(biāo)和縱坐標(biāo)&和為的橫坐標(biāo)和縱坐標(biāo)，L為空間控制參數(shù)，L > 0 ；2-2)根據(jù)每個(gè)像素與鄰域像素的相似度Sij的值，計(jì)算抗噪后的新圖像中Xi的抗
噪后的特征值，獲得抗噪后的新圖像
T^iSv，リノ其中，t新圖像的第i個(gè)數(shù)據(jù)點(diǎn)特征值；
所述步驟3),利用K-means算法初始化聚類中心Vi, i = {I, 2. . . , C} ；C是待分割圖像的聚類數(shù)目；所述步驟4)，計(jì)算模糊隸屬度矩陣?yán)萌缦鹿接?jì)算像素&相對(duì)于聚類中心Vi的模糊隸屬度U
權(quán)利要求
1.ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，其特征是，首先對(duì)原始圖像進(jìn)行抗噪預(yù)處理，然后對(duì)聚類中心初始化，并且基于像素的空間信息構(gòu)造空間函數(shù)，利用該空間函數(shù)更新模糊隸屬度矩陣，進(jìn)而得到聚類中心與用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)值，循環(huán)迭代，進(jìn)而實(shí)現(xiàn)圖像的分割。
2.如權(quán)利要求I所述的ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，其特征是，主要包含以下幾個(gè)步驟 1)對(duì)待分割圖像進(jìn)行特征提取，得到圖像的特征數(shù)據(jù)集； 2)利用圖像的特征數(shù)據(jù)集和鄰域信息，對(duì)原始圖像進(jìn)行抗噪預(yù)處理； 3)利用K-means算法初始化聚類中心，降低初始聚類中心的選取對(duì)圖像分割的影響； 4)計(jì)算模糊隸屬度矩陣； 5)通過基于空間信息構(gòu)造的空間函數(shù)來更新模糊隸屬度矩陣； 6)基于更新后的模糊隸屬度矩陣計(jì)算聚類中心與用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)值； 7)根據(jù)聚類輸出的模糊隸屬度矩陣，得到數(shù)據(jù)點(diǎn)屬于某ー類的概率大小，按照最大概率原則對(duì)每個(gè)數(shù)據(jù)點(diǎn)就行分類標(biāo)記，完成圖像分割。
3.如權(quán)利要求2所述的ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，其特征是，所述步驟2)利用圖像的特征數(shù)據(jù)集和鄰域信息，對(duì)原始圖像進(jìn)行抗噪預(yù)處理，分為以下幾個(gè)步驟 2-1)計(jì)算原始圖像上每個(gè)像素與其鄰域像素的相似度； 2-2)根據(jù)每個(gè)像素與鄰域像素的相似度的值，計(jì)算抗噪后的新圖像中的抗噪后的特征值，獲得抗噪后的新圖像。
4.如權(quán)利要求2所述的ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，其特征是，所述步驟4)，計(jì)算模糊隸屬度矩陣首先計(jì)算出數(shù)據(jù)點(diǎn)與聚類中心的歐式距離，然后保證模糊隸屬度滿足一定的約束，在這個(gè)約束下計(jì)算像素相對(duì)于聚類中心的模糊隸屬度，最后計(jì)算出模糊隸屬度矩陣。
5.如權(quán)利要求2所述的ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，其特征是，所述步驟5)通過基于空間信息構(gòu)造的空間函數(shù)來更新模糊隸屬度矩陣首先計(jì)算數(shù)據(jù)點(diǎn)與鄰域數(shù)據(jù)點(diǎn)之間的歐式距離，然后根據(jù)歐式距離計(jì)算出數(shù)據(jù)點(diǎn)的空間函數(shù)值，然后根據(jù)空間函數(shù)值計(jì)算出新的模糊隸屬度。
6.如權(quán)利要求2所述的ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，其特征是，所述步驟7)根據(jù)聚類輸出的模糊隸屬度矩陣，得到數(shù)據(jù)點(diǎn)屬于某ー類的概率大小，按照最大概率原則對(duì)每個(gè)數(shù)據(jù)點(diǎn)就行分類標(biāo)記，完成圖像分割； 其中，當(dāng)連續(xù)兩次迭代的用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)值差的絕對(duì)值小于終止條件或方法超出最大迭代次數(shù)限制時(shí)迭代結(jié)束。
7.如權(quán)利要求2所述的ー種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，其特征是，利用兩個(gè)不同的參數(shù)分別控制模糊隸屬度與空間函數(shù)值的相對(duì)重要性；對(duì)于處理噪聲圖像時(shí)，通過相對(duì)地增大控制空間函數(shù)值的參數(shù)的值提高空間信息的重要性，降低噪聲的影響。
全文摘要
本發(fā)明公開了一種具有抗噪性的快速模糊聚類數(shù)字圖像分割方法，該方法包括以下步驟對(duì)待分割圖像進(jìn)行特征提取，得到圖像的特征數(shù)據(jù)集X；利用圖像的特征數(shù)據(jù)集X和鄰域信息，對(duì)原始圖像進(jìn)行抗噪預(yù)處理；利用K-means算法初始化聚類中心；計(jì)算模糊隸屬度矩陣；通過基于空間信息構(gòu)造的空間函數(shù)來更新模糊隸屬度矩陣；基于更新后的模糊隸屬度矩陣計(jì)算聚類中心與用于實(shí)現(xiàn)聚類分割的目標(biāo)函數(shù)值；循環(huán)迭代；根據(jù)聚類輸出的模糊隸屬度矩陣，得到數(shù)據(jù)點(diǎn)屬于某一類的概率大小，按照最大概率原則對(duì)每個(gè)數(shù)據(jù)點(diǎn)就行分類標(biāo)記，完成圖像分割。本發(fā)明的方法可以經(jīng)過較少的迭代次數(shù)取得理想的圖像分割效果，并很好地消除噪聲的影響，提高了圖像分割的質(zhì)量和分割效果的穩(wěn)定性。
文檔編號(hào)G06T7/00GK102855633SQ20121032545
公開日2013年1月2日 申請(qǐng)日期2012年9月5日 優(yōu)先權(quán)日2012年9月5日
發(fā)明者張彩明, 鄭福華, 周元峰, 張小峰 申請(qǐng)人:山東大學(xué)