[发明专利]一种基于多重空间信息加权的模糊聚类的图像分割方法

说明书

一种基于多重空间信息加权的模糊聚类的图像分割方法，在模糊聚类的目标函数中同时考虑了图像的多种像素信息，这种方法对于具有多种未知噪声的图像具有较好的鲁棒性，在此过程中，该方法提供了两种不同的算法，首先为了确保对聚类贡献较大的空间信息能够更好地促进聚类，采用熵加权技术对参与聚类的多种空间信息进行自动加权，像素之间的距离度量采用欧几里得距离；其次考虑到噪声图像中的像素点错综复杂且往往具有线性不可分的特点，使用核方法将特征空间中的像素点映射到高维的核空间，像素之间的距离度量使用高斯核函数进行计算，并对映射后的不同图像之间的像素点进行加权。

技术领域

本发明涉及噪声图像分割技术领域，具体涉及一种基于多重空间信息加权的模糊聚类的图像分割方法。

背景技术

图像分割是图像识别、计算机视觉和医学图像处理中的关键预处理步骤，主要用来将感兴趣的目标从一幅图像中分离出来，以便进行后续的目标分析和识别。图像分割的质量直接决定着特征提取、目标识别等后续操作的精确度。该领域研究至今仍未找到一个通用的分割方法，也没有能够判别分割好坏的通用标准。在过去的几十年中，该领域内涌现了大量的经典算法，这些算法大体可以分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。其中，结合特定理论工具的分割方法近年来应用较广，具有代表性的是人工神经网络技术和基于模糊技术的图像分割方法(如，模糊聚类)。基于原型的聚类是将数据按其相似性划分到不同集群中的无监督方法，在一定程度上与图像分割的理论类似。K-Means等的硬聚类方法和模糊聚类方法已广泛用于图像分割，与硬聚类方法(如K-Means)相比，Fuzzy C-Means(FCM)等模糊聚类算法可以在模糊边界上获得更精确的结果。

然而，由于FCM方法只考虑每个像素的强度，这使得它对具有噪声的图像分割效率不高。为了在聚类过程中消除噪声的影响，提高分割精度，一种结合空间上下文信息的模糊聚类方法(FCM_S)别提出，在该方法中，加入了一个新的空间项来考虑窗口中相邻像素的影响。但是由于每次迭代都需要计算空间上下文信息，因此FCM_S方法需要大量的计算时间。为了加快计算速度，一种改进空间信息计算方法的FCM_S聚类算法被提出，FCM_S1方法和FCM_S2方法是其两种不同的变体，这两种方法分别利用均值滤波和中值滤波来获取空间信息。此外，为了增强FCM_S1和FCM_S2对离群值的鲁棒性，基于核方法的KFCM_S1和KFCM_S2被提出，这两个方法将原始图像数据映射到高维核空间，从而解决了数据在低维空间线性不可分的问题。然而，上述方法对不同的噪声非常敏感，对于图像信息的挖掘和利用过于单一和浅显，且在聚类参数的选择上也不够灵活。FCM_S1和KFCM_S1对有高斯噪声的图像更有效，而FCM_S2和KFCM_S2对有“椒盐”噪声的图像更有效。因此，在实际应用中这些方法的分割精度还有待进一步提高。此外，这些方法应用在同时含有多种未知噪声的图像上时分割效果较差。

发明内容

本发明为了克服以上技术的不足，提供了一种适用性强、提高对含有多种噪声的图像分割精度的基于多重空间信息加权的模糊聚类的图像分割方法。

本发明克服其技术问题所采用的技术方案是：

一种基于多重空间信息加权的模糊聚类的图像分割方法，包括如下步骤：

a)输入被分割的噪声图像，图像宽度为W，图像高度为H，图像的像素点的个数为N；

b)利用均值滤波和中值滤波对原始图像进行去噪处理，得到原始图像、均值滤波后的图像以及中值滤波后的图像；

c)将迭代计数器t设置为0，最大迭代次数T设置为100，原始图像、均值滤波后的图像以及中值滤波后的图像的像素值的范围从0-255转化为0-1，随机初始化C个聚类中心；

d)将迭代计数器t加1；

e)分别遍历原始图像、均值滤波后的图像以及中值滤波后的图像的像素值，计算每个图像中像素间的距离量度；