[发明专利]基于排序K-均值算法的灰度图像分割方法

说明书

技术领域

本发明属于图像处理领域，涉及一种图像分割方法，尤其涉及一种灰度图像分割方法，可用于提取和获得灰度图像的细节信息。

背景技术

随着计算机技术的发展，图像在各行各业的应用日益广泛。灰度图像分割是以图像的形式获得信息的基础，是人们研究的热点，是图像处理技术应用的重要内容之一。

图像分割在目标识别、变化监测等方面应用广泛。图像分割方法有多种，基于灰度级单阈值分割，基于灰度级多阈值分割、区域增长和聚类等。

K-means聚类算法，简称K-均值算法，是1967年由J.B.MacQueen提出的。K-means聚类算法是一种经典的划分的聚类算法，是到目前为止应用最广泛最成熟的一种聚类分析方法。已被广泛应用于图像分割领域。

K-means聚类算法是一种典型的基于距离的硬聚类算法，算法通常采用误差平方和函数作为优化的目标函数，误差平方和函数的定义如下所示：

E=Σj=1KΣx∈Cj||x-mj||2]]>

其中，K表示聚类的数目，C_j，j＝1，2，...K表示聚类的第j类，x表示类C_j中的任一数据对象，m_j表示类C_j的均值，E表示数据样本与聚类中心差异度平方之和，E值的大小取决于K个聚类中心点。越小的E值，聚类结果的质量就越好。

K-means算法首先从含有n个数据对象的数据集中随机选取K个数据作为初始中心，然后计算每个数据到各个中心的距离，根据最邻近原则，所有的数据都会被划分到离它最近的那个中心所代表的类中，接着分别计算新生成的各类中数据的均值作为各类新的中心，比较新的中心和上一次得到的中心，如果新的中心没有发生变化，则算法收敛，输出结果，如果新的中心和上一次中心相比较发生变化，则要根据新的中心对所有数据对象重新进行划分，直到满足算法的收敛条件为止。该方法应用于灰度图像分割领域，对部分图像的分割取得了一些效果，能够根据灰度级将图像分割成为较理想的情况。但该方法的不足之处是，当图像中的某一类或者几类像素较少时，该方法就很难保留像素较多类别中的图像细节部分，划分效率较低。

发明内容

本发明的目的在于针对上述已有方法的缺点，提出了一种基于排K-均值算法的灰度图像分割方法，完成了像素较多类别中图像细节部分的保留，提高图像分割效率。

实现本发明目的技术方案，包括如下步骤：

(1)读入一幅不含噪声的灰度图像G，图像大小为256×256，随机指定各个聚类中心V：

V＝(V₀，V₁，…，V_i)

其中，V_i为第i类的聚类中心，i＝0，...，n-1，n为聚类类别数；

(2)定义灰度图像G的灰度直方图HL(l)：

HL(l)＝n_l

其中，l为灰度级，l＝0，...，255，n_l为灰度图像G中第l个灰度级的像素点总数；

(3)计算图像灰度直方图中每个灰度级l到每个聚类中心V_i的欧式距离d_il：

d_il＝|l-V_i|；

(4)针对每个聚类中心V_i，利用sort(d_il)函数对距离d_il由小到大进行排序；