基于直觉模糊C均值聚类的图像分割方法技术

本发明专利技术公开了一种基于直觉模糊C均值聚类的图像分割方法。主要解决图像分割中对噪声敏感、容易陷入局部最优、聚类数目需要设定的问题，其方案是：使用基于开关均值策略构造对噪声鲁棒的直觉模糊集

Image Segmentation Method Based on Intuitionistic Fuzzy C-Mean Clustering

【技术实现步骤摘要】
基于直觉模糊C均值聚类的图像分割方法
本专利技术属于数字图像处理领域，具体涉及到一种图像分割方法，可用于图像识别和计算机视觉的预处理。
技术介绍
从上个世纪七八十年代起，众多学者持续关注图像分割，图像分割技术已经成为众多领域的基础技术，只要关乎提取图像中内容的问题就不能缺少图像分割技术，图像分割工作的质量和效果将直接或者间接的影响后续的图像工程。现有的图像分割方法种类繁多，可以归纳为基于阈值的图像分割方法、基于边缘的图像分割方法、基于区域的图像分割方法、基于聚类的图像分割方法等，现有图像分割技术以基于阈值的图像分割方法和基于聚类的图像分割方法为主，基于阈值的图像分割是一种采用统计学信息分割的方法，通常提取合适的阈值，把图像中感兴趣的目标部分分离出来。但是其只适用于灰度差异明显的图像，此外，噪声等干扰元素也对图像的精确分割工作造成困难。到目前为止依然没有形成一种统一的理论体系来应用于不同的领域，图像分割依旧是一个热门研究领域。基于聚类的图像分割方法根据图像内像素点之间的相似性把图像划分为多个类别，其具有分割效果好，耗时短，方法运行稳定等特点，近年来成为应用普遍的方法之一。常用的聚类分割方法有：K均值、模糊C-均值聚类、分层聚类和谱聚类)等等，其中模糊C-均值聚类是应用最为广泛的方法之一。模糊C均值方法最早由邓恩提出，参见：邓恩.一种和迭代自组织分析算法相关的模糊图像处理方法及其应用于检测紧凑易分离聚类.控制论学报.1973,3(3):32-57.(J.C.Dunn.AFuzzyRelativeoftheISODATAProcessandItsUseinDetectingCompactWell-SeparatedClusters[J].JournalofCybernetics,1973,3(3):32-57.)，该方法由于没有考虑图像中的任何空间信息，对图像中的噪声敏感，使得分割含噪图像得不到理想的分割效果。后来许多学者发表了结合图像空间邻域信息改进方法。艾哈迈德等人将空间邻域信息项加入模糊C均值的目标函数中，提出了FCM_S算法，该算法虽然提高了对噪声的鲁棒性，但是计算复杂度较高，为了降低FCM_S算法的计算复杂度，陈松灿和张道强通过均值滤波和中值滤波的方式将邻域信息引入到算法的目标函数中，提出了FCM_S1和FCM_S2算法，参见：陈松灿,张道强.一种稳定的基于核函数的结合空间信息模糊C均值图像分割算法.美国电子电器工程师协会系统控制处理汇刊.卷34,1907–1916,2004.(S.ChenandD.Zhang,“RobustImageSegmentationUsingFCMwithSpatialConstraintsBasedonNewKernel-inducedDistanceMeasure,”IEEETrans.Syst,Man,Cybern,vol.34,pp1907-1916,2004.)；这两种算法中FCM_S1算法对高斯噪声处理效果较好，但对椒盐噪声鲁棒性差，二FCM_S2算法虽对椒盐噪声处理效果较好，但却对高斯噪声鲁棒性差，因而这两种算法不能做到对多种类型噪声的鲁棒普适性。蔡维玲等人结合图像的空间信息和灰度信息构造了线性加权和图像，提出了快速生成FCM算法，参见：蔡维玲,陈松灿,张道强.一种用于图像分割的引入局部信息的快速鲁棒的模糊C均值聚类算法.模式识别.卷40,825-838,2007.(W.Cai,S.Chen,andD.Zhang,“FastandRobustFuzzyC-meansClusteringAlgorithmsIncorporatingLocalInformationforImageSegmentation,”PatternRecognit.,vol.40,no.3,pp.825-838,Mar.2007.)，该方法在对高斯噪声有较强鲁棒性的同时对椒盐噪声也具有较好的鲁棒性；但是以上算法都没有考虑数据更多的模糊性，查尔热等人进一步发现了采用直觉模糊集理论可以考虑数据更多的模糊性，对数据的分类更加精确，提出了基于直觉模糊数据的模糊聚类方法，参见：一种新颖的直觉模糊C均值聚类算法及其在医学图像中的应用.应用软计算(T,Chaira.“AnovelintuitionisticfuzzyCmeansclusteringalgorithmanditsapplicationtomedicalimages.”Appl.SoftComput.11(2):1711-1717,2011.)；由于基于直觉模糊数据的模糊聚类方法对噪声也比较敏感，韦尔马等人进一步将局部空间信息引入直觉模糊C均值算法中，参见：韦尔马,阿格拉沃尔,沙兰.针对脑部图像分割的结合局部空间信息的改进直觉模糊C均值算法.应用软计算.543-557,2016.(H.Verma,R.K.Agrawal,A.Sharan,“AnImprovedIntuitionisticFuzzyC-meansClusteringAlgorithmIncorporatingLocalInformationforBrainImageSegmentation,”Appl.SoftComput.,543–557,2016)。虽然上述改进方法一定程度上优化了模糊聚类算法在抗噪性能上的表现，但依然存在对噪声鲁棒性不够强，对聚类中心的初始值很敏感，不能自适应分析图像聚类数目等不足。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提供一种基于直觉模糊C均值聚类的图像分割方法，以增强对噪声的鲁棒性，提高分割精确度，减小对聚类中心初始值的敏感性，自适应地确定图像聚类数目。为实现上述目的，本专利技术的技术包括如下步骤：(1)输入待分割图像，若待分割图像为彩色图像，先将其转换为灰度图像；(2)初始化参数：设最大迭代次数T＝100，停止阈值ε＝10-5，模糊加权指数m＝2，邻域窗半径ω＝3，初始迭代次数t＝1，聚类数目默认初始值Y＝2；(3)使用基于开关均值策略构造对噪声鲁棒的直觉模糊集其中，1≤i≤n，n表示像素总数目；(4)针对输入图像的灰度值分布，使用最小二乘法进行曲线拟合，选择拟合曲线的峰值点所对应的灰度级作为初始化的聚类中心值，并设估计聚类数的范围为{2，…，Ymax}，聚类中心初始值范围集合C为其中，cY表示第Y个聚类中心的初始值，1≤Y≤Ymax，Ymax表示聚类数目的最大值，2≤Ymax≤n，T表示转置；(5)迭代计算线性加权函数系数Hir、直觉模糊距离和直觉模糊目标函数J：(5a)利用像素的位置信息和灰度信息构造线性加权函数系数Hir：其中，(ai，bi)和(ar，br)分别表示中心像素i和邻域像素r的空间坐标值，xi和xr分别表示中心像素i和邻域像素r的灰度值，uki表示xi对于第k个聚类中心ck的隶属度，1≤k≤Y，1≤r≤ω2；(5b)计算直觉模糊集下像素xi到聚类中心ck的直觉模糊距离其中，和分别表示像素xi与聚类中心ck的直觉模糊集；(5c)结合(5a)得到的线性加权函数系数Hir与(5b)得到的直觉模糊距离计算直觉模糊目标函数J，并求解直觉模糊目标函数J中的隶属度函数uki和聚类中心ck的直觉模糊集(6)判断迭代停止条件本文档来自技高网...

【技术保护点】
1.基于直觉模糊C均值聚类的图像分割方法，其特征在于，包括如下：(1)输入待分割图像，若待分割图像为彩色图像，先将其转换为灰度图像；(2)初始化参数：设最大迭代次数T＝100，停止阈值ε＝10

【技术特征摘要】
1.基于直觉模糊C均值聚类的图像分割方法，其特征在于，包括如下：(1)输入待分割图像，若待分割图像为彩色图像，先将其转换为灰度图像；(2)初始化参数：设最大迭代次数T＝100，停止阈值ε＝10-5，模糊加权指数m＝2，邻域窗半径ω＝3，初始迭代次数t＝1，聚类数目默认初始值Y＝2；(3)使用基于开关均值策略构造对噪声鲁棒的直觉模糊集其中，1≤i≤n，n表示像素总数目；(4)针对输入图像的灰度值分布，使用最小二乘法进行曲线拟合，选择拟合曲线的峰值点所对应的灰度级作为初始化的聚类中心值，并设估计聚类数的范围为{2,…,Ymax}，聚类中心初始值范围集合C为其中，cY表示第Y个聚类中心的初始值，1≤Y≤Ymax，Ymax表示聚类数目的最大值，2≤Ymax≤n，T表示转置；(5)迭代计算线性加权函数系数Hir、直觉模糊距离和直觉模糊目标函数J：(5a)利用像素的位置信息和灰度信息构造线性加权函数系数Hir：其中，(ai,bi)和(ar,br)分别表示中心像素i和邻域像素r的空间坐标值，xi和xr分别表示中心像素i和邻域像素r的灰度值，uki表示xi对于第k个聚类中心ck的隶属度，1≤k≤Y，1≤r≤ω2；(5b)计算直觉模糊集下像素xi到聚类中心ck的直觉模糊距离其中，和分别表示像素xi与聚类中心ck的直觉模糊集；(5c)结合(5a)得到的线性加权函数系数Hir与(5b)得到的直觉模糊距离计算直觉模糊目标函数J，并求解直觉模糊目标函数J中的隶属度函数uki和聚类中心ck的直觉模糊集(6)判断迭代停止条件||C(t+1)-C(t)||＜ε或运算迭代次数t＞T是否成立：如果不成立，则令t＝t+1，返回(5)；如果成立，输出隶属度矩阵U并判断Y＜Ymax是否成立，若成立，则令Y＝Y+1，取聚类中心初始值范围集合C的前Y个数值，令聚类中心初始值集合为令初始迭代次数t＝1，返回(5)，若Y＜Ymax不成立，执行(7),其中，为0聚类中心数值集合，表示第Q个聚类中心迭代第t次的直觉模糊集，表示第P个聚类中心的初始值，1≤Q≤Y，1≤P≤Y，U＝{uki}；(7)从(6)输入(Ymax-1)个隶属度矩阵U，并使用分级距离指数评价指标GD评价这些隶属度矩阵；设GD数值最大的隶属度矩阵为Umax，将Umax对应的聚类数目Yfin作为输入图像的最终聚类数目，其中，1≤Yfin≤Ymax；(8)对(7)输出的隶属度矩阵Umax做像素分类，并进行检错分类，输出分割图像：(8a)根据最大隶属度原则和最终聚类数目Yfin，对(7)输出的隶属度矩阵Umax的像素进行分类，输出标签矩阵UL，其中，UL内仅含类别数值{1,2,…,YW,…，Yfin}，1≤YW≤Yfin；(8b)设中心像素i的标签类别值为Li，在中心像素i的5乘5邻域内，判断标签类别值Li的像素数量nL是否满足nL≤25/(Yfin+1)的条件：如果满足，则判定中心像素i为错分像素，并将错分像素的标签类别值Li修正为邻域内同种标签类别值数量最多的标签类别值，执行(8c)；如果不满足，则判定中心像素i为正确分配像素，执行(8c)；(8c)判断标签矩阵UL中的像素是否全部遍历，如果是，输出最终标签矩阵UF，执行(8d)，如果不是，返回(8b)继续遍历；(8d)对最终标签矩阵UF中标签类别值为YW的像素赋予不同对应的灰度值xW，并将赋予不同灰度值的矩阵作为分割图像输出。2.根据权利要求1所述的方法，其特征在于，(3)中使用基于开关均值策略构造对噪声鲁棒的直觉模糊集其实现如下：(3a)首先判断在第i个像素的3乘3邻域内的像素灰度值是否不全为0或者255：如果成立，则将灰度值为0和255的像素取出，再取其余像素灰度值的均值，并设为中心像素的修正数值，执行(3b)；如果不成立，则不修改中心像素灰度值，执行(3b)；(3b)判断输入图像中的像素是否全部遍历：如果是，输出修正图像，执行(3c)，如果不是，返回(3a)继续遍历；(3c)将修正图像的像素灰度值计算为直觉模糊集(3c1)设μ(...

【专利技术属性】
技术研发人员：赵凤，郝浩，刘汉强，范九伦，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西,61