一种融合邻域信息的模糊聚类方法技术

本发明专利技术公开了一种融合邻域信息的模糊聚类方法，包括，第一步，对图像进行处理，将用作聚类的图像数据信息由单一测度扩充为三层测度；第二步，改进模糊C均值算法，并为隶属度矩阵添加先验知识概率因子项；第三步，在目标函数上添加隶属度差异惩罚项；第四步，对图像进行聚类分割。通过本发明专利技术提高对噪声的鲁棒性，有效的剔除干扰区域，分割出图像中的显著区域，同时降低时间复杂度。

【技术实现步骤摘要】
一种融合邻域信息的模糊聚类方法
本专利技术涉及图像处理
，涉及图像分割。
技术介绍
图像分割在图像识别和计算机视觉中是关键的预处理过程,很多算法已经被提出并应用在对象分割以及特征提取中。然而，鲁棒性强和高效的图像分割算法的设计还是一个非常具有挑战性的研究课题。它的目标是将相似和邻近的像素以图像分割成相应结构连贯的元素。根据图像中像素的灰度值、纹理、颜色等将图像分为若干个互不相干的区域，每个区域内部均有其相似性，不同的区域又互有差异。图像分割可以认为是基于同质性或异质性准则将一幅图像划分为若干有意义的子区域的过程。由于待分割模型不尽相同，因此不同模型所适合的分割方法也各有优缺点。现如今，图像分割方法主要有如下几类：基于边缘检测分割法，基于阈值分割法，基于区域分割，基于形态学分水岭分割法，基于聚类分割法，基于神经网络或根据超像素等特定理论的分割方法等。由于图像分割大多数都是在像素级基础上进行图像分割处理，需要根据图像中像素的灰度、颜色、纹理等特征，因此不可避免的对噪声敏感，容易产生很多孤立的分割点，很难找到精确的区域分割边缘，然而对医学图像的处理就需要算法鲁棒性强，精准度高。近些年，模糊聚类被广泛的应用在人工智能、模式识别、图像处理中。模糊C-均值算法(FuzzyC-Means,FCM)在1973年被Dunn首次提出并发展成为一种经典的模糊聚类算法，是图像分割中快速有效的方法之一，该方法将所选取样本到聚类中心误差平方与准则函数作为目标函数进行聚类，作为一个典型的无监督技术FCM已经成功的应用在模式识别和数据挖掘中，但是FCM算法进行图像分割时存在明显的缺陷，它只考虑颜色信息而没有考虑任何空间信息。为了解决这个问题，Ahmed等人在传统FCM的基础上引入了一个空间信息邻域项，提出了一种将空间邻域信息与模糊C均值算法相结合的算法(FCM_S),该算法对噪声有一定的抑制效果，但算法复杂度高。为了解决该问题，Chen等人将邻域均值信息，以及邻域中值信息融入到算法当中，提出了FCM_S1和FCM_S2算法。这两种空间限制信息都是局部空间信息，如果图像被噪声污染严重，那么图像的局部空间信息也将受到很大的影响。然而，图像中的每个像素点的都存在很多像素点与其含有相似的邻域结构，我们将其称之为非局部空间信息，当图像被噪声污染时，它的作用比局部空间信息更大。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述和/或现有技术中存在的问题，提出了本专利技术。因此，本专利技术其中一个目的是提供一种融合邻域信息的模糊聚类方法。为解决上述技术问题，本专利技术提供如下技术方案：一种融合邻域信息的模糊聚类方法，包括，第一步，对图像进行处理，将用作聚类的图像数据信息由单一测度扩充为三层测度；第二步，改进模糊C均值算法，并为隶属度矩阵添加先验知识概率因子项；第三步，在目标函数上添加隶属度差异惩罚项；第四步，对图像进行聚类分割；其中，所述改进模糊C均值算法后，相应改进后的目标函数为：通过迭代获得隶属度与聚类中心后，更新公式为：根据隶属度矩阵以及聚类中心完成对图像的分割，记录时间以及计算图像分割精确率。作为本专利技术所述融合邻域信息的模糊聚类方法的一种优选方案，其中：所述聚类的图像，是在使用聚类算法进行图像分割时，针对的图像本身。作为本专利技术所述融合邻域信息的模糊聚类方法的一种优选方案，其中：所述三层测度中，第一层测度为本身灰度值矩阵，第二测度为均值处理后灰度矩阵，第三测度为考虑邻域像素相似度处理后的灰度矩阵。作为本专利技术所述融合邻域信息的模糊聚类方法的一种优选方案，其中：所述第三测度中的相似度sij是根据邻域像素点灰度差的平均比值确定，并且使用指数函数进行归一化处理，这里规定待考察像素点i灰度值为xi，以及其邻域像素点j灰度值xj，Ni表示像素点i邻域像素点集合，NR表示像素点i邻域像素点个数，则sij可表示为以下形式：作为本专利技术所述融合邻域信息的模糊聚类方法的一种优选方案，其中：所述相似度sij的取值范围在0与1之间。作为本专利技术所述融合邻域信息的模糊聚类方法的一种优选方案，其中：所述隶属度差异惩罚项，是像素点与邻域像素点对每一个聚类中心的隶属度差异。作为本专利技术所述融合邻域信息的模糊聚类方法的一种优选方案，其中：所述分割精确率SA的定义如下为:本专利技术的有益效果：提高对噪声的鲁棒性，有效的剔除干扰区域，分割出图像中的显著区域，同时降低时间复杂度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术融合邻域信息的模糊聚类方法的添加了0.03的椒盐噪声后的各个算法的图；图2为本专利技术融合邻域信息的模糊聚类方法中分别使用合成图像加椒盐噪声、高斯噪声，自然图像无噪声和自然图像加椒盐噪声；图3为本专利技术融合邻域信息的模糊聚类方法中将自然图像添加椒盐噪声算法进行对比图；图4为本专利技术融合邻域信息的模糊聚类方法中自然图像添加高斯噪声算法比对图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。图像分割在图像识别和计算机视觉中是关键的预处理过程,很多算法已经被提出并应用在对象分割以及特征提取中。然而，鲁棒性强和高效的图像分割算法的设计还是一个非常具有挑战性的研究课题。它的目标是将相似和邻近的像素以图像分割成相应结构连贯的元素。根据图像中像素的灰度值、纹理、颜色等将图像分为若干个互不相干的区域，每个区域内部均有其相似性，不同的区域又互有差异。图像分割可以认为是基于同质性或异质性准则将一幅图像划分为若干有意义的子区域的过程。本专利技术融合邻域信息的模糊聚类方法分为四步，首先对图像进行处理，将用来聚类的单一测度信息扩充成三层测度信息；第二步，改进模糊C均值算法，并为隶属度矩阵添加先验知识概率因子项；第三步，在目标函数上添加隶属度差异惩罚项；第四步，对图像进行聚类分割。其中，通常在使用聚类算法进行图像分割时针对的是图像本身，聚类的数据样本是单一测度的图像像素灰度值，多测度模型将原本的一种测度数据扩充为多种测度数据，再对目标函数添加先验知识概率因子项和隶属度差异惩罚项。在本实施例中，三层测度中的第一测度为图像本身灰度值矩阵，第二测度为均值处理后灰度矩阵，第三测度为考虑邻域像素相似度处理后的灰度矩阵。例如，第本文档来自技高网...

【技术保护点】
1.一种融合邻域信息的模糊聚类方法，其特征在于：包括，第一步，对图像进行处理，将用作聚类的图像数据信息由单一测度扩充为三层测度；第二步，改进模糊C均值算法，并为隶属度矩阵添加先验知识概率因子项；第三步，在目标函数上添加隶属度差异惩罚项；第四步，对图像进行聚类分割；其中，所述改进模糊C均值算法后，相应改进后的目标函数为：

【技术特征摘要】
1.一种融合邻域信息的模糊聚类方法，其特征在于：包括，第一步，对图像进行处理，将用作聚类的图像数据信息由单一测度扩充为三层测度；第二步，改进模糊C均值算法，并为隶属度矩阵添加先验知识概率因子项；第三步，在目标函数上添加隶属度差异惩罚项；第四步，对图像进行聚类分割；其中，所述改进模糊C均值算法后，相应改进后的目标函数为：通过迭代获得隶属度与聚类中心后，更新公式为：根据隶属度矩阵以及聚类中心完成对图像的分割，记录时间以及计算图像分割精确率。2.根据权利要求1所述的融合邻域信息的模糊聚类方法，其特征在于：所述聚类的图像，是在使用聚类算法进行图像分割时，针对的图像本身。3.根据权利要求1或2所述的融合邻域信息的模糊聚类方法，其特征在于：所述三层测度中，第一层测度为本身灰度值矩阵，第二测度为均值处理后灰度矩阵，第三测度为...

【专利技术属性】
技术研发人员：顾雨迪，狄岚，刘海涛，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32