[发明专利]基于空间邻域信息的FCM纹理图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，具体地说是一种聚类分割方法，可用于对纹理图像的分割。

背景技术

纹理图像分割是模式识别和计算机视觉中的经典研究课题，至今没有一个通用且有效的图像分割方法能满足不同的需求。将图像中具有特殊涵义的不同区域分割开来，这些区域是互相不交叉的，每个区域都满足特定的特性。分割也可以认为是对图像的像素进行聚类的问题，可根据像素的灰度或纹理特性等特征判别所有像素分别属于哪个子类，在这个聚类过程中，每一个像素点的特征对应于聚类样本，而每一个图像区域对应于一个聚类。由于具有符合人类认知特性、描述简洁明晰、易于实现，比传统的硬分割算法能保留更多的原始图像信息，模糊分割算法越来越引起人们的关注。特别是由Dunn提出，后经BezdekL推广的模糊C均值FCM算法作为一种无监督聚类算法已成功地应用在图像分析、医疗诊断、目标识别和图像分割等领域。但是，传统的FCM算法没有考虑像素点的空间邻域信息和相邻像素之间的关系，缺乏空间信息的完整性，而仅仅是将所有的样本作为分散的样本点进行聚类，这样实际上忽略了很有价值的像素邻域信息。相邻的像素点间具有近似的特征值，也更有可能属于同一类，因此标准FCM算法对噪声十分敏感，导致分割的结果不能保持较好的区域一致性，区域内的杂点较多，分割结果不理想。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于空间邻域信息的FCM纹理图像分割方法，以考虑像素点的空间邻域信息，保证空间信息的完整性，减少杂点，保持分割后的区域一致性，提高分割精度，使分割结果更符合人的视觉。

实现本发明目的核心思想是定义一种新的基于空间邻域信息的距离计算方法和像素点的归属判别准则，不仅考虑特征距离对聚类的影响，而且考虑像素的空间邻域信息对聚类的影响，以实现能够保持纹理图像分割的区域一致性和提高分割精度，具体实现步骤包括如下：

(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^(t)＝{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：