[发明专利]一种无监督的快速图像分割算法

说明书

技术领域

本发明属于图像分割技术领域，特别涉及一种无监督的快速图像分割算法。

背景技术

图像分割是机器学习、智能识别等领域的经典研究课题之一，目前学者们已经提出了大量的图像分割算法，其中，基于模糊C-均值聚类(FCM)的图像分割算法由于无监督特点被广泛应用。然而，由于传统的FCM算法忽略了图像特有的空间信息，因此对噪声较为敏感。针对该问题，Ahmed等人提出的基于结合空间信息的模糊C-均值聚类算法(FCM_S)，该算法通过引入邻域信息，进而修正FCM算法的目标函数，从而有效提升FCM算法对噪声图像的鲁棒性。但由于FCM_S算法需在每次迭代中计算像素的邻域信息，导致算法的计算效率较低。针对该问题，Chen等人提出了简化邻域空间限制项的模糊C-均值聚类算法(FCM_S1和FCM_S2)，该算法利用滤波技术对像素的邻域信息进行预处理，在迭代中直接调用该邻域信息，从而有效降低了FCM_S1和FCM_S2算法的计算复杂度。

由于上述改进的算法均引入了新的参数，因而导致图像的分割效果依赖于参数的选取。针对该问题，Stelios等人提出了基于模糊局部信息C-均值聚类算法(FLICM)，该算法通过将邻域信息引入到模糊因子中，不仅避免了新参数的引入问题，而且兼顾了邻域的灰度信息和空间信息，既改善了图像的分割效果，又增强了算法对噪声图像的鲁棒性。然而，该算法对椒盐噪声较为敏感，且计算复杂度较高。针对FLICM算法的缺陷，Zhao等人提出了基于邻域权重的模糊C-均值聚类算法(NWFCM)，该算法通过高斯掩模计算邻域像素的贡献因子，从而有效改善了算法对噪声图像的分割效果。然而，该算法忽略了中心像素自身的作用，聚类时易造成边缘错分割。因此，如何在保证图像分割效果的前提下有效提升算法的计算效率是当前的一个热点及难点问题。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提出一种无监督的快速图像分割算法，可以在保证分割精度的前提下实现算法的快速收敛，从而为后续图像的实时性分析和理解奠定基础，具有运行速度快、迭代次数少、分割精度高的特点。

为了实现上述目的，本发明采用的技术方案是：

一种无监督的快速图像分割算法，首先对模糊隶属度矩阵进行非线性加权滤波，其次进行归一化处理，最后根据修正后的隶属度矩阵计算聚类中心，从而得到分割结果，具体包括以下步骤：

(1)首先确定聚类数目c、模糊加权指数m和迭代终止条件ε；

(2)初始化像素x_i相对于聚类中心v_k的模糊隶属度矩阵u_ki，所述1≤i≤N，1≤k≤c，N表示像素个数；

(3)设置循环计数器b＝0；

(4)对模糊隶属矩阵u_ki进行非线性加权滤波得到组合隶属度函数H_ki；

(5)对H_ki进行归一化处理，从而得到修正后的模糊隶属度矩阵u′_ki；

(6)根据修正后的模糊隶属度矩阵计算聚类中心v_k；

(7)用当前聚类中心计算第b+1次的模糊隶属度(u'_ki)^(b+1)；

(8)如果max{(u'_ki)^(b)-(u'_ki)^(b+1)}＜ε，算法终止，否则令b＝b+1，转向步骤4；

(9)利用聚类标签标记原图像，从而得到最终的分割结果。

所述步骤4的组合隶属度函数定义如下：

其中，u_ki表示第i个像素x_i相对于第k个聚类中心v_k的模糊隶属度，G_ki表示邻域隶属度模糊因子；G_ki的公式定义如下：

其中，j∈R_i表示第i个像素的邻域信息，u_kj表示以像素x_i为中心的邻域像素x_j相对于第k个聚类中心v_k的模糊隶属度，d_ij表示中心像素x_i与邻域像素x_j的空间欧式距离,该距离为常数。

本发明与现有技术相比具有以下有益效果：