[发明专利]以平面为聚类中心具有抗噪性的模糊聚类图像分割方法

说明书

本发明公开了一种以平面为聚类中心的抗噪性的模糊聚类图像分割方法，该方法包括以下步骤：首先，定义目标函数并初始化目标函数中的各项系数及阈值等，随机初始化隶属度矩阵；使目标函数最小化计算更新聚类平面的各项系数和模糊隶属度矩阵；基于更新后的模糊隶属度矩阵计算目标函数的值，当连续两次迭代的目标函数值之差的绝对值小于终止条件或方法超出最大迭代次数限制时迭代结束，否则，继续迭代执行更新，根据隶属度最大的准则分类标记每个像素点，完成初始分类；在分类结果上提取图像边缘，并以边缘点为中心像素选取局部窗口再次进行隶属度划分；根据聚类输出的模糊隶属度矩阵，得到数据点属于某一类的隶属度，按照最大概率原则对每个数据点就行分类标记，完成图像分割。本发明的方法使用聚类平面代替聚类中心进行图像分割，可以同时考虑像素的灰度值信息以及位置信息，取得了理想的图像分割效果，并很好地消除噪声的影响，提高了图像分割的质量和分割效果的稳定性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种以平面为聚类中心具有抗噪性的模糊聚类图像分割方法。

背景技术

图像是人类从客观世界获取信息的重要来源和传递信息的重要媒介，随着计算机、互联网等技术的发展，数字图像处理技术在工业、医疗、军事、交通等行业中发挥着日益重要的作用。

为了有效地提取和利用数字图像中所包含的信息，需要对图像进行分割。图像分割是将一幅图像分割成一组互不相交的子区域，同一区域内部具有相同或相似的特性，这里的特性可以是灰度、颜色、纹理等。图像分割是模式识别、计算机视觉、图像理解等领域的最重要的基础环节，它是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。

模糊C-均值聚类方法(Fuzzy C-Means，简称FCM)是应用最为广泛的模糊聚类图像分割方法。相对于其他分割方法，FCM方法允许一个像素同时属于多个类，能够保留初始图像的更多的信息。FCM方法通过更新每一个像素相对于每一个聚类的模糊隶属度以及更新每一个聚类中心，对用于实现聚类分割的目标函数进行迭代最小化，从而实现图像的分割。FCM的目标函数E为：

其中，C是待分割图像类别的数目；N是图像数据点的个数；μ_ij是第j个数据点相对于第i个聚类的模糊隶属度；m是作用于模糊隶属度上的权重指数；v_i是第i个聚类中心；x_j是第j个数据点。

用于实现聚类分割的目标函数最小化的约束条件为：

然而，标准的FCM方法在图像分割中存在以下几个明显的缺点：(1)聚类中心对于图像分割的结果有很大的影响，只用图像像素的灰度值作为分割依据不能很好地覆盖图像特征，得不到理想的分割结果；(2)没有考虑像素的空间信息，导致方法对于噪声比较敏感，当处理有噪声的图像时，不能取得令人满意的分割结果。

发明内容

本发明的目的就是为了解决上述问题，提供一种使用平面作为聚类中心具有抗噪性的模糊聚类图像分割方法，它可用于噪声图像和医学图像等数字图像的分割。

为了实现上述目的，本发明采用如下技术方案：

一种以平面为聚类中心的抗噪性的模糊聚类图像分割方法，首先读入一幅图像，获取图像的长宽灰度值等基本信息，然后根据像素的空间信息以及平面公式构造目标函数，利用该目标函数更新模糊隶属度矩阵，进而得到空间聚类平面的各个系数与实现聚类分割的目标函数值，循环迭代，实现图像的分割。

本发明的具体步骤为：

1)给定聚类中心数目，模糊加权指数，最大迭代次数以及算法终止阈值，随机初始化隶属度矩阵；

2)以多项式函数为聚类中心，定义目标函数；

3)更新聚类平面的各项系数；