一种基于组合距离的FCM图像分割算法制造技术

一种基于组合距离的FCM图像分割算法，首先引入相邻像素的相关性，该相关性能更好的反映邻域像素的空间信息和灰度信息，然后通过空间及特征得到新的组合距离计算方法，该距离的优点在于同时考虑了图像的特征及空间信息，增强了算法对图像像素的分类能力，最后严格按照拉格朗日乘子法推算模糊隶属度和聚类中心，从而完成图像的聚类分割，与现有的多种模糊聚类算法相比，本发明专利技术具有收敛快、迭代次数少、分割精度高的特点，对于后续的图像分析具有较高的实用性。

【技术实现步骤摘要】

本专利技术属于图像分割
，特别涉及一种基于组合距离的FCM图像分割算法。
技术介绍
一直以来，图像分割都是计算机视觉中最具挑战性的研究课题之一，是进行图像分析、理解与描述的一个重要前提，随着研究的不断深入，学者们已经提出了大量的图像分割算法，但如何将不同特征的图像像素进行有效地分类，仍具有较高的挑战性。基于FCM的图像分割算法通过最小化像素到聚类中心的距离来完成图像分割，由于该算法忽略了图像的邻域空间信息，导致分割结果较差。针对该问题，近年来学者们提出了大量的改进算法，具有代表性的是Ahmed等人提出的FCM_S算法，该算法通过引入邻域空间信息，从而有效改善了算法的鲁棒性，然而由于FCM_S算法在每次迭代中都需考虑像素的邻域信息，导致算法的计算效率较低。针对该问题，Chen和Zhang提出了FCM_S1算法和FCM_S2算法，FCM_S1算法是对邻域信息进行均值预计算，FCM_S2算法则为中值预计算，然后在迭代中直接调用该预算值，从而有效缩短了每次迭代的时间，改善了算法的实时性。为了进一步挖掘邻域信息，李艳灵等人提出了基于空间邻域信息的FCM图像分割算法，该算法通过修正FCM算法中的欧氏距离，使得改进后的算法兼顾了特征距离与空间距离，然而该算法在每次迭代中需对邻域信息进行多次判断，因此算法的计算效率仍然较低。由于上述算法中均有监督参数的引入，文献“ARobustFuzzyLocalInformationC-MeansClusteringAlgorithm[J],inImageProcessing,IEEETransactionson,2010,19(5):1328-1337.”公开了一种无监督参数的FLICM算法，该算法将邻域信息引入到模糊因子中，既考虑了邻域的灰度信息又考虑了邻域的空间信息，因此能改善图像的分割效果，但由于FLICM算法没有严格按照拉格朗日算子推算出聚类中心和模糊隶属，所以它的收敛速度慢，尤其当掩模中心为噪声时，分割效果较差。在FLICM算法的基础上，文献“NeighbourhoodWeightedFuzzyC-MeansClusteringAlgorithmforImageSegmentation,IETImageProcess.2014,8(3):150–161.”公开了邻域加权的NWFCM算法，该算法通过计算邻域像素块与中心像素块的核距离来反映邻域像素的贡献因子，但是该算法忽略了中心像素对聚类中心的作用，在聚类时容易造成边缘错分割，难以满足高精度的分割应用领域需求。因此，如何进一步改善FCM算法对图像的分割效果仍需进行更为深入的研究工作。
技术实现思路
为了克服上述现有技术的不足，本专利技术的目的在于提出一种基于组合距离的FCM图像分割算法，在模糊C均值聚类(FCM)的目标函数中引入了基于图像特征和邻域空间的组合距离，可准确划分不同特征的图像区域，为后续的图像分析及理解奠定了基础，具有收敛快、迭代次数少、分割精度高的、实用性高特点。为了实现上述目的，本专利技术采用的技术方案是：一种基于组合距离的FCM图像分割算法，首先利用图像的灰度信息和空间信息确定相关因子，然后计算空间及特征的组合距离，最后迭代更新模糊隶属度和聚类中心，从而得到鲁棒性较强的分割结果，具体包括以下步骤：(1)首先确定聚类数目c，模糊参数m和迭代停止条件ε；(2)在掩模中计算邻域像素xj对中心像素xi的相关因子wij；(3)初始化像素xi相对于聚类中心vk的模糊隶属度uki；(4)初始化聚类中心vk；(5)设置循环计数器b＝0；(6)计算像素xi到聚类中心vk的组合距离dki；(7)用当前模糊隶属度计算聚类中心vk；(8)用当前聚类中心计算第(b+1)次的模糊隶属度(9)如果则算法终止，否则令b＝b+1，转向步骤(5)继续运算；(10)利用聚类标签标记原图像，从而得到最终的分割结果。本专利技术与现有技术相比，具有以下有益效果：1、传统的模糊聚类算法没有充分考虑原图像的空间信息和特征信息，本专利技术可在迭代前预算该邻域的相关性，该相关性能更好地反映邻域像素的空间信息和灰度信息，然后通过空间及特征得到新的组合距离计算方法，该距离的优点在于同时考虑了图像的特征及空间信息，增强了算法对图像像素的分类能力，有效改善了图像的分割效果。2、为了准确反映邻域信息对中心像素的贡献，本专利技术重新修正了融合邻域信息的组合距离，从而使分割效果大大提升。3、与现有的算法相比，本专利技术能利用较少的时间获得更为准确的分割结果，且有更好的性能指标SA(SegmentationAccuracy)和CS(ComparisonScores)，具有收敛快、迭代次数少、分割精度高的、实用性高特点。附图说明图1是本专利技术实现步骤的流程图。图2(a)是本专利技术对比实验的测试图像集；图2(b)是利用对比方法FCM算法对图像集的分割结果；图2(c)是利用对比方法Lietal.算法对图像集的分割结果；图2(d)是利用对比方法FLICM算法对图像集的分割结果；图2(e)是利用对比方法NWFCM算法对图像集的分割结果；图2(f)是利用本专利技术方法对图像集的分割结果。图3(a)是本专利技术对比实验的测试图像集；图3(b)是利用对比方法FCM算法对图像集的分割结果；图3(c)是利用对比方法Lietal.算法对图像集的分割结果；图3(d)是利用对比方法FLICM算法对图像集的分割结果；图3(e)是利用对比方法NWFCM算法对图像集的分割结果；图3(f)是利用本专利技术方法对图像集的分割结果。具体实施方式下面结合附图对本专利技术作进一步详细说明。参见图1，一种基于组合距离的FCM图像分割算法，具体步骤如下：设输入图像是f,邻域窗口为3×3，xi和xj分别表示中心像素和邻域像素，1≤j≤8，迭代终止条件为b＝100。(1)首先确定聚类数目c，模糊参数m和迭代停止条件ε。(2)在掩模中计算邻域像素xj对中心像素xi的相关因子ωij。基于相邻像素的空间信息和灰度信息，本专利技术提出了相邻像素的相关性概念，用ωij表示：ωij＝Sij×GijSij表示相邻像素的空间相关性，Gij表示相邻像素的灰度相关性。其中，空间相关性的定义如下：dij表示邻域像素xj到中心像素xi的空间欧式距离。灰度相关性的定义如下：其中，εij表示相邻像素块与中心像素块的灰度差的均值，定义为：W(xi)和W(xj)分别表示以xi为中心的邻域像素块和以xj为中心的邻域像素块，像素块的大小为3×3，NR为像素块基数。(3)初始化像素xi相对于聚类中心vk的模糊隶属度矩阵uki。(4)初始化聚类中心vk，vk定义如下：(5)设置循环计数器b＝0。(6)计算像素xi到聚类中心vk的组合距离dki，dki的定义如下：||xi-vk||为样本xi到聚类中心的vk的特征距离，为样本xj到聚类中心vk的空间距离，相关因子ωij可预先计算出，θ为权重因子，用以调节特征距离与空间距离在目标函数中的贡献。(7)本专利技术的目标函数为：根据拉格朗日乘子法可得聚类中心vk：在每次迭代中更新隶属度中心。(8)更新模糊隶属度uki：(9)如果则算法终止，否则令b＝b+1，转向步骤(5)继续运算。(10)利用聚类标签标记原图像，从而得到最终的分割结果。本专利技术的效果可以通过以本文档来自技高网...

【技术保护点】
一种基于组合距离的FCM图像分割算法，其特征在于，首先利用图像的灰度信息和空间信息确定相关因子，然后计算空间及特征的组合距离，最后迭代更新模糊隶属度和聚类中心，从而得到鲁棒性较强的分割结果。

【技术特征摘要】
1.一种基于组合距离的FCM图像分割算法，其特征在于，首先利用图像的灰度信息和空间信息确定相关因子，然后计算空间及特征的组合距离，最后迭代更新模糊隶属度和聚类中心，从而得到鲁棒性较强的分割结果。2.根据权利要求1所述的一种基于组合距离的FCM图像分割算法，其特征在于，具体包括以下步骤：(1)首先确定聚类数目c，模糊参数m和迭代停止条件ε；(2)在掩模中计算邻域像素xj对中心像素xi的...

【专利技术属性】
技术研发人员：雷涛，薛丁华，徐鑫，刘富强，陶筱娇，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：陕西;61