[发明专利]基于空间邻域信息的FCM纹理图像分割方法

摘要

本发明公开了一种基于空间邻域信息的FCM纹理图像分割方法，它属于图像处理技术领域，主要解决现有纹理图像分割方法的分割区域一致性不好与分割精度低的问题。其实现过程是：(1)对纹理图像进行特征提取，得到图像的特征数据集X；(2)对特征数据集X进行聚类；(3)根据聚类输出的隶属度矩阵，计算出数据点隶属于某一类的概率大小，按照最大概率原则对每个数据点的类别进行标记，完成分割。本发明相对于其它的一些经典的分割方法能够更好保持纹理图像的区域一致性，提了分割精度，使分割结果更符合人的视觉，可用于纹理图像分割和计算机目标识别。

主权项

1.一种基于空间邻域信息的FCM纹理图像分割方法，包括：(1)特征提取步骤：对纹理图像进行特征提取，即提取纹理图像的灰度共生矩阵和小波能量特征，得到纹理图像的特征数据集X；(2)特征数据集X的聚类步骤，它包括：(2a)初始化步骤：设定聚类数目C和模糊指数m＝2，设定迭代停止阈值ε＝10^-3和最大迭代次数T＝100，初始化隶属度矩阵U⁽⁰⁾，计数器t＝0，C的大小根据纹理图像分割的区域个数确定，其中，U^(t)＝[u_ij](i＝1，2，...，C；j＝1，2，...，N)，u_ij表示特征数据集X中的第j个数据点隶属于第i类的隶属度，位于隶属度矩阵U^(t)的第i行，第j列，通过U⁽⁰⁾计算聚类中心V⁽⁰⁾＝{v₁，v₂，...，v_C}，V_i(i∈{1，2...，C})为聚类中心的第i个分量；(2b)概率计算步骤：利用隶属度矩阵U^(t)，计算和p_ij，j(1≤j≤N)表示特征数据集X中的第j个数据点，表示第j个点空间邻域内的数据点按照最大隶属度原则属于第i(1≤i≤C)类的个数，表示点j空间邻域内的点属于第i类的概率大小，其中表示第j个点空间邻域内的数据点按照最大隶属度原则属于第r(1≤r≤C)类的个数；(2c)测度距离计算步骤：通过下式计算点j到第i个聚类中心的测度距离：dij*=dij+(1-pij)Σk∈Wj(dij-dik)2Σk∈Wjdik,]]>其中：d_ij表示点j到第i个聚类中心的欧式距离，d_ij＝||x_j-V_i||²，d_ik表示点j空间邻域内的点k到第i个聚类中心的欧式距离，d_ik＝||x_k-V_i||²，W_j表示点j空间邻域，k为空间邻域内的点，x_j表示数据集中第j个点，x_k表示W_j内的数据点，V_i表示第i个聚类中心；(2d)隶属度矩阵更新步骤：通过下式计算点j隶属于第i类的隶属度u_ij：uij=[Σc=1C(dij*2dcj2)1m-1]-1,]]>其中：d_cj表示点j到第c个聚类中心的欧式距离，d_cj＝||x_j-V_c||²，其中，V_c表示第c个聚类中心；(2e)聚类中心矩阵更新步骤：通过u_ij的值分别更新隶属度矩阵U^(t)＝[u_ij](i＝1，2，...，C；j＝1，2，...，N)和聚类中心的第i个分量并通过V_i的值更新聚类中心矩阵V^(t)＝{v₁，v₂，...，v_C}；(2f)目标函数计算步骤：由U^(t)和计算聚类目标函数：若||V^(t+1)-V^(t)||＜ε或T＞100，转到步骤(3)，否则，计数器t加1，转到步骤(2b)；其中：m为模糊指数，C为所要分的类别数目，N为特征数据集中点的个数；(3)概率计算步骤：通过输出的隶属度矩阵U^(t)，计算点j空间邻域内的点属于第i类的概率：(4)标记步骤：按照最大概率原则对图像中的每个数据点的类别进行标记，完成最后的分割。