[发明专利]基于空间邻域信息的FCM纹理图像分割方法

权利要求书

1.一种基于空间邻域信息的FCM纹理图像分割方法，包括：

(1)特征提取步骤：对纹理图像进行特征提取，即提取纹理图像的灰度共生矩阵和小波能量特征，得到纹理图像的特征数据集X；

(2)特征数据集X的聚类步骤，它包括：

(2a)初始化步骤：设定聚类数目C和模糊指数m＝2，设定迭代停止阈值ε＝10^-3和最大迭代次数T＝100，初始化隶属度矩阵U⁽⁰⁾，计数器t＝0，C的大小根据纹理图像分割的区域个数确定，其中，U^(t)＝[u_ij](i＝1，2，...，C；j＝1，2，...，N)，u_ij表示特征数据集X中的第j个数据点隶属于第i类的隶属度，位于隶属度矩阵U^(t)的第i行，第j列，通过U⁽⁰⁾计算聚类中心V⁽⁰⁾＝{v₁，v₂，...，v_C}，V_i(i∈{1，2...，C})为聚类中心的第i个分量；

(2b)概率计算步骤：利用隶属度矩阵U^(t)，计算和p_ij，j(1≤j≤N)表示特征数据集X中的第j个数据点，表示第j个点空间邻域内的数据点按照最大隶属度原则属于第i(1≤i≤C)类的个数，表示点j空间邻域内的点属于第i类的概率大小，其中表示第j个点空间邻域内的数据点按照最大隶属度原则属于第r(1≤r≤C)类的个数；

(2c)测度距离计算步骤：通过下式计算点j到第i个聚类中心的测度距离：

dij*=dij+(1-pij)Σk∈Wj(dij-dik)2Σk∈Wjdik,]]>其中：

d_ij表示点j到第i个聚类中心的欧式距离，d_ij＝||x_j-V_i||²，

d_ik表示点j空间邻域内的点k到第i个聚类中心的欧式距离，d_ik＝||x_k-V_i||²，

W_j表示点j空间邻域，k为空间邻域内的点，x_j表示数据集中第j个点，x_k表示W_j内的数据点，V_i表示第i个聚类中心；

(2d)隶属度矩阵更新步骤：通过下式计算点j隶属于第i类的隶属度u_ij：

uij=[Σc=1C(dij*2dcj2)1m-1]-1,]]>

其中：d_cj表示点j到第c个聚类中心的欧式距离，d_cj＝||x_j-V_c||²，其中，V_c表示第c个聚类中心；

(2e)聚类中心矩阵更新步骤：通过u_ij的值分别更新隶属度矩阵U^(t)＝[u_ij](i＝1，2，...，C；j＝1，2，...，N)和聚类中心的第i个分量并通过V_i的值更新聚类中心矩阵V^(t)＝{v₁，v₂，...，v_C}；

(2f)目标函数计算步骤：由U^(t)和计算聚类目标函数：若||V^(t+1)-V^(t)||＜ε或T＞100，转到步骤(3)，否则，计数器t加1，转到步骤(2b)；

其中：m为模糊指数，C为所要分的类别数目，N为特征数据集中点的个数；

(3)概率计算步骤：通过输出的隶属度矩阵U^(t)，计算点j空间邻域内的点属于第i类的概率：

(4)标记步骤：按照最大概率原则对图像中的每个数据点的类别进行标记，完成最后的分割。

2.一种基于空间邻域信息的FCM纹理图像分割系统，包括：

(1)特征提取装置：用于对纹理图像进行特征提取，即提取纹理图像的灰度共生矩阵和小波能量特征，得到纹理图像的特征数据集X；

(2)特征数据集X的聚类装置，它包括：

(2a)初始化模块：用于设定聚类数目C和模糊指数m＝2，设定迭代停止阈值ε＝10^-3和最大迭代次数T＝100，初始化隶属度矩阵U⁽⁰⁾，计数器t＝0，C的大小根据纹理图像分割的区域个数确定，其中，U^(t)＝[u_ij](i＝1，2，...，C；j＝1，2，...，N)，u_ij表示特征数据集X中的第j个数据点隶属于第i类的隶属度，位于隶属度矩阵U^(t)的第i行，第j列，通过U⁽⁰⁾计算聚类中心V^(t)＝{v₁，v₂，...，v_C}为聚类中心，V_i(i∈{1，2...，C})为聚类中心的第i个分量；

(2b)概率计算模块：用于利用隶属度矩阵U^(t)，计算和p_ij，j(1≤j≤N)表示特征数据集X中的第j个数据点，表示第j个点空间邻域内的数据点按照最大隶属度原则属于第i(1≤i≤C)类的个数，表示点j空间邻域内的点属于第i类的概率大小，其中表示第j个点空间邻域内的数据点按照最大隶属度原则属于第r(1≤r≤C)类的个数；

(2c)测度距离计算模块：用于通过下式计算点j到第i个聚类中心的测度距离：

dij*=dij+(1-pij)Σk∈Wj(dij-dik)2Σk∈Wjdik,]]>其中：

d_ij表示点j到第i个聚类中心的欧式距离，d_ij＝||x_j-V_i||²，

d_ik表示点j空间邻域内的点k到第i个聚类中心的欧式距离，d_ik＝||x_k-V_i||²，

W_j表示点j空间邻域，k为空间邻域内的点，x_j表示数据集中第j个点，x_k表示W_j内的数据点，V_i表示第i个聚类中心；

(2d)隶属度矩阵更新模块：用于通过下式计算点j隶属于第i类的隶属度u_ij：

uij=[Σc=1C(dij*2dcj2)1m-1]-1,]]>

其中：d_cj表示点j到第c个聚类中心的欧式距离，d_cj＝||x_j-V_c||²，V_c表示第c个聚类中心；

(2e)聚类中心矩阵更新模块：通过u_ij的值分别更新隶属度矩阵U^(t)＝[u_ij](i＝1，2，...，C；j＝1，2，...，N)和聚类中心的第i个分量并通过V_i的值更新聚类中心矩阵V^(t)＝{v₁，v₂，...，v_C}；

(2f)目标函数计算模块：用于由U^(t)和计算聚类目标函数：若||V^(t+1)-V^(t)||＜ε或T＞100，转到步骤(3)，否则，计数器t加1，转到步骤(2b)；

其中：m为模糊指数，C为所要分的类别数目，N为特征数据集中点的个数；

(3)概率计算装置：通过输出的隶属度矩阵U^(t)，计算点j空间邻域内的点属于第i类的概率：

(4)标记装置：由p_ij的值，按照最大概率原则对图像中的每个数据点的类别进行标记，完成最后的分割。