[发明专利]一种基于改进模糊C均值的中智学图像分割方法及装置

权利要求书

1.一种基于改进模糊C均值的中智学图像分割方法，其特征在于，该方法包括：

接收待分割的原始图像，将原始图像转化为中智学图像；

将中智学图像采用α-均值运算进行去噪，经过α-均值和β增强运算，进行图像增强；计算图像增强后的中智学图像中不确定子集I的信息熵；在该方法中，所述将中智学图像采用α-均值运算进行去噪的具体公式为：

其中，子集合图像T的α-均值，为子集合图像I的α-均值，为子集合图像F的α-均值，T为原图像真实值的集合,为原始图像T集合转化为的中智集合,F为原图像非真实值的集合,为原始图像F集合转化为的中智集合,I为原图像不确定值的集合,α一般取值0.85，w*w为限制区域大小，(i,j)为原始图像的像素点，(m，n)为w*w区域内领域像素信息点，T(m,n)为中智集合T在点(m，n)的取值,T(i,j)为中智集合T在点(i,j)的取值,F(m,n)为中智集合F在点(m，n)的取值,F(i,j)为中智集合T在点(i,j)的取值,为子集合图像T的平均强度值，为子集合图像T经过α均值运算后均值, 为子集合图像F的平均强度值，为子集合图像T在w*w区域内的平均强度值,为子集合图像I的平均强度值,是像素点(i,j)的平均强度值与进行过α均值运算后的之差的绝对值，为像素点(i,j)的平均强度值与进行过α均值运算后的之差的绝对值的最小值,为像素点(i,j)的平均强度值与进行过α均值运算后的之差的绝对值的最大值；

在该方法中，将去噪后的所述中智学图像进行图像增强的计算公式为：

其中：为中智集合经过β增强运算的真实性集合,为当中智集合经过β增强运算的真实性子集合,为表示中智集合的不确定性智的子集合, β为一般取值0.85,为进行β增强运算的真实值,为集合T经过均值运算后的值,为中智集合经过β增强运算的非真实性集合,为当中智集合经过β增强运算的非真实性子集合,为进行β增强运算的非真实值,为经过均值运算后的非真实像素点,是的不确定性，δ'(i,j)是像素点(i,j)进行过图像增强操作后的值与均值之差的绝对值，δ'_min为像素点(i,j)进行过图像增强操作后的值与均值之差的绝对值的最小值,δ'_max为像素点(i,j)进行过图像增强操作后的值与均值之差的绝对值的最大值,为子集合在w*w区域内的平均强度,为子集合在w*w区域内经过β增强运算后的真实性集合；

针对图像增强后的中智学图像中不确定子集定义一种新的聚类方法，处理PNS(α)，即α均值和图像增强操作后的中智子集，考虑到不确定性的影响，将两个集合T和I组合为一个新的聚类值，提出一种改进的中智集模糊C-均值算法，定义新的目标函数，模糊C-均值算法对目标函数进行迭代优化，得到样本集的模糊分类；当信息熵计算结果小于阈值时，采用粒子群优化模糊C均值聚类算法进行中智学图像分割，否则返回继续中智学图像的去噪；改进的中智集模糊c-均值算法新的目标函数定义为：

其中，C表示给定类数；m表示模糊指数；

所述采用粒子群优化模糊C-均值聚类算法进行中智学图像分割的具体步骤包括：

接收初始参数，所述初始参数包括给定类数、模糊指数、群大小、学习因子和惯性权重；

对N个簇中心进行初始化编码，形成N个第一代粒子；

计算每个聚类中心以及隶属度的中心向量；

计算各粒子的适应度，如果粒子的适应度优于粒子当前最佳位置的适应度，则更新单个粒子的最佳位置；如果当前全局最佳位置的适应度均优于所有粒子中的最佳位置的适应度，则更新全局最佳位置；

更新每个粒子的速度和位置，产生下一代粒子群；

当前迭代次数达到先前设置的最大次数时，则停止迭代，在最后一代中的结果进行中智学图像分割，否则返回继续中智学图像的去噪。

2.如权利要求1所述的一种基于改进模糊C均值的中智学图像分割方法，其特征在于，在该方法中，所述中智学图像包括子集合图像T、子集合图像I和子集合图像F；

所述子集合图像T表示为原图像真实性表述；

所述子集合图像I表示为原图像的不确定性表述；

所述子集合图像F表示为原图像的非真实性表述。