The present invention relates to a tongue diagnosis image segmentation method based on improved ant colony algorithm and fuzzy clustering, which includes the following steps: S1: input the tongue diagnosis image to be segmented; S2: color space conversion for the segmented tongue diagnosis image; S3: Ant colony algorithm is used to process the tongue diagnosis image after color space conversion to obtain the clustering center and the number of clusters; S4: clustering obtained by ant colony algorithm. As the initial value of the fuzzy C-means clustering algorithm, the center and the number of clusters are used to calculate the clustering result of the segmented tongue diagnosis image; S5: De-fuzzification to obtain the segmented tongue diagnosis image; The present invention can reduce the complexity of the segmented tongue diagnosis image; can improve the accuracy of the algorithm to classify the pixels; can reduce the sensitivity of the algorithm to noise; and overcome the fuzzy C-means algorithm to the initial clustering center. And the sensitivity of initial parameters can improve the speed of operation of the fuzzy C-means algorithm, which can effectively improve the accuracy of tongue diagnosis image segmentation.
【技术实现步骤摘要】
一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法
本专利技术涉及舌诊图像数据处理领域,更具体地,涉及一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法。
技术介绍
随着科技发展,人类使用计算机模拟人脑识别舌诊图像中目标的过程,以便得到处理舌诊图像的方法,使舌诊图像成为更适于人眼观察或者方便仪器检测的数据;在计算机视觉应用研究邻域,舌诊图像分割是第一步,在数字舌诊图像处理的过程中十分重要,舌诊图像分割的精确度将直接影响舌诊图像分析和识别的准确度,因此舌诊图像分割的研究对于舌诊图像处理、舌诊图像分析和舌诊图像识别等领域十分有意义。舌诊图像分割是指将舌诊图像分成若干互不重叠的子区域,使得同一个子区域的特征具有一定的相似性,不同子区域的特征呈现较为明显的差异;现有的舌诊图像分割方法主要分以下几类:基于阀值的分割算法、基于边缘检测的分割算法、基于区域的分割算法和基于聚类的分割算法。在聚类方法中,模糊C均值聚类(FuzzyC-means,FCM)算法引入了模糊的概念,能较好表达和处理不确定性问题,是目前应用最广泛的舌诊图像分割方法之一;但在实际应用中,FCM算法存在一些不足,如:不同初始聚类中心,聚类效果不同;易陷于局部最优值;对噪声点敏感等,这导致现有算法的对舌诊图像的分割精度不高。
技术实现思路
本专利技术为克服上述现有技术所述的舌诊图像分割精度不高缺陷,提供一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法。所述方法包括以下步骤:S1:输入待分割舌诊图像;S2:对待分割舌诊图像进行色彩空间转换;S3:将进行了色彩空间转换后的舌诊图像进行蚁群算法处理,得到聚类中心和 ...
【技术保护点】
1.一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法,其特征在于,所述方法包括以下步骤:S1:输入待分割舌诊图像;S2:对待分割舌诊图像进行色彩空间转换;S3:将进行了色彩空间转换后的舌诊图像进行蚁群算法处理,得到聚类中心和聚类数目;S4:将蚁群算法得到的聚类中心和聚类数作为模糊C均值聚类算法的初始值,计算分割舌诊图像的聚类结果;S5:去模糊化,得到分割后的舌诊图像。
【技术特征摘要】
1.一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法,其特征在于,所述方法包括以下步骤:S1:输入待分割舌诊图像;S2:对待分割舌诊图像进行色彩空间转换;S3:将进行了色彩空间转换后的舌诊图像进行蚁群算法处理,得到聚类中心和聚类数目;S4:将蚁群算法得到的聚类中心和聚类数作为模糊C均值聚类算法的初始值,计算分割舌诊图像的聚类结果;S5:去模糊化,得到分割后的舌诊图像。2.根据权利要求1所述的基于改进的蚁群算法的模糊聚类的舌诊图像分割方法,其特征在于,步骤S2中待分割舌诊图像色彩空间转换公式为:其中,H为色调,R为红色分量,G为绿色分量,B为蓝色分量,S为饱和度,θ为H轴与S轴的夹角度数。3.根据权利要求1所述的基于改进的蚁群算法的模糊聚类的舌诊图像分割方法,其特征在于,步骤S3包括以下步骤:S3.1:对待分割舌诊图像像素进行初步区域划分并计算初始聚类中心;各类聚类中心的计算公式为:其中,p为像素,Sj为区域的个数,Nj为每个区域的像素数目,由此得到聚类中心的集合为C=(C1,C2,…,C洠);S3.2:初始化信息素启发因子α、期望启发因子β、信息素残留因子ρ、聚类半径r、阀值P0;S3.3:计算第i个像素xi到第j个聚类中心vj的距离dij,计算公式为:其中,Hi为像素点xi在H分量的值,Hj为聚类中心vj在H分量的值,Si为像素点xi在S分量的值,Sj为聚类中心vj在S分量的值,Ii为像素点xi在I分量的值,Ij为聚类中心vj在I分量的值;S3.4:计算各条路径上的信息素浓度,计算公式为:S3.5:将颜色差异项引入启发函数中,得到新的启发函数为:其中,r为聚类半径,dij为第i个像素xi到第j个聚类中心vj的距离,ΔHSIij为颜色差异项,ΔHSIij=(ΔHij)2+(ΔSij)2,ΔHij、ΔSij分别为像素xi与聚类中心vj在H,S分量的颜色均值差异;S3.6:将S3.5中的启发函数代入转移概率函数计算Xi是否归到聚类中心Cj的概率Pij(t),计算公式为:其中,ηij(t)为启发函数,τij(t)为信息素更新函数,α为信息调节因子,表示信息所对路径选择的重要性,β为期望调节因子,表示引导函数对路径选择...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。