[发明专利]一种基于加权核函数模糊聚类的图像分割方法及其装置

说明书

本发明涉及图像处理领域，具体涉及一种基于加权核函数模糊聚类的图像分割方法及其装置。本发明对核函数进行加权和增加常数项处理，通过调整权值和常数项的值来灵活地改变输入空间样本到高维空间的非线性映射关系，从而可以更加灵活地选择核函数。本发明使得更多核函数可以运用到图像分割领域，并且在此基础上可以选择复杂程度较低的核函数来提高图像分割算法的效率。

技术领域

本发明涉及图像处理领域，具体涉及一种基于加权核函数模糊聚类的图像分割方法及其装置。

背景技术

模糊聚类算法(fuzzy C-means，FCM)是Dan于1974年在硬C均值算法的基础上提出的，同年，Bezedek将Dan的方法一般化，建立了FCM算法的理论基础，并于1980年对其收敛性进行了证明。自此以后，模糊聚类算法便受到了众多图像分割研究者的关注。目前模糊聚类算法作为一种非监督的聚类算法，已经在图像分割领域得到了很大的发展。它利用图像中像素灰度值不同的特点对所有像素点进行分类，利用分类的原理对图像进行分割。FCM算法对不同组织间灰度分布相互交叠，且难以区分的图像无法进行准确分割。张莉等人撰写了《核聚类算法》(计算机学报,2002,25(6):587-590.)，提出了核聚类算法。在该算法基础上，2004年伍忠东等人撰写了《基于核方法的模糊聚类算法》(西安电子科技大学学报(自然科学版),2004,31(4):533-537.)，构造了基于核函数的模糊核C-均值算法(Fuzzy Kernel C-Means Clustering Algorithm,KFCM)，较好的解决了这一情况，将给定空间的非线性距离转化为高维空间的线性距离，凸显出原来没有显现的特征，使得聚类效果更为精细。随后很多学者将KFCM算法应用于图像分割领域，并从不同角度对其进行改进。

KFCM算法相对FCM算法在精度上有很大的提高，但是由于增加了其复杂程度，使得运行时间增多，效率变低。另外，传统的核模糊聚类方法有很多核函数可以使用，但事实上在图像分割领域较为通用的只有高斯核函数，而其它核函数在分割效果上都不太理想，这就造成在图像分割领域对核函数的选择比较单一、很多核函数都无法得到应用的问题。

发明内容

本发明的目的是提供一种基于加权核函数模糊聚类的图像分割方法及其装置，用以解决现有核模糊聚类图像处理方法中对核函数的选取单一造成处理结果不好、应用范围受到限制的问题。

为实现上述目的，本发明提供了一种基于加权核函数模糊聚类的图像分割方法，包括方法方案一，方法方案一包括以下步骤：

对核函数进行加权和增加常数项处理得到新核函数；

根据所述新核函数计算得到隶属度函数、聚类中心函数和目标函数；

根据初始聚类中心矩阵和所述隶属度函数计算得到隶属度矩阵；

将所述隶属度矩阵和所述初始聚类中心矩阵代入所述目标函数计算得到目标函数值；

根据所述隶属度矩阵和所述聚类中心函数进行计算，根据计算结果更新所述初始聚类中心矩阵；

根据更新的初始聚类中心矩阵和所述隶属度函数计算并根据计算结果更新所述隶属度矩阵；

将更新的隶属度矩阵和更新的初始聚类中心矩阵代入所述目标函数计算并根据计算结果更新所述目标函数值；

如果所述目标函数值和更新后的目标函数值的大小满足设定条件，则图像分割结束得到图像分割结果；如果所述目标函数值和更新后的目标函数值的大小不满足设定条件，则根据更新的隶属度矩阵、所述隶属度函数、聚类中心函数和目标函数进行迭代处理直到所述目标函数值和更新后的目标函数值的大小满足设定条件为止。

方法方案二，在方法方案一的基础上，所述初始聚类中心矩阵的计算过程包括：

获取峰值数量与聚类中心数量相等的灰度直方图；