基于改进直觉模糊c均值聚类的图像分割方法及存储介质技术

本发明专利技术公开了一种基于改进直觉模糊c均值聚类的图像分割方法及存储介质，所述方法包括以下步骤：1)根据图像的局部像素灰度信息，计算其最大占优抑制相似度函数；2)计算像素的模糊集的隶属度；3)构建非线性的模糊补函数，计算模糊集的非隶属度和犹豫度；4)根据上述的隶属度、非隶属度和犹豫度，将图像数据直觉模糊化；5)根据图像像素的局部空间关系，构建直觉模糊因子；6)根据直觉模糊因子，在直觉模糊集中进行求解最优化；7)根据最优化求解利用聚类算法进行图像分割。本发明专利技术解决了现有方法对噪声敏感和数据的不确定性问题，有效的提高图像分割的质量，应用到MRI人脑图像中可以很好的抑制噪声，还能很好的表现图片细节。

Image segmentation method and storage medium based on improved intuitionistic fuzzy c-means clustering

【技术实现步骤摘要】
基于改进直觉模糊c均值聚类的图像分割方法及存储介质
本专利技术涉及一种图像分割方法及存储介质，特别是涉及一种基于改进直觉模糊c均值聚类的图像分割方法及存储介质。
技术介绍
图像分割是图像处理领域的一个经典问题，被广泛应用于各个领域，其中就有人脑图像分割。在人脑核磁共振图像(magneticresonanceimage,MRI)中，可以看到三个不同的脑组织：脑干、灰质和白质。由于人脑的结构复杂，不同组织的边界很难区分。为解决这个问题，研究人员提出了很多分割算法，如基于阈值、区域、神经网络、Markov随机场和聚类等图像分割算法。其中聚类算法是一种经典的人脑MR图像分割算法。但是，经典聚类算法是有局限性的，聚类算法中每一个像素只能属于一个聚类中心。事实上，有一些像素属于两个聚类的交集。这也就导致了数据的不确定性。之后，根据模糊集(fuzzyset,FS)原理，Bezdek提出了模糊c均值(fuzzyc-means,FCM)聚类算法来处理数据的不确定性。但是该算法有两个缺陷：(1)该算法对噪声敏感；(2)该算法不能完全解决数据的不确定性。...

【技术保护点】
1.一种基于改进直觉模糊c均值聚类的图像分割方法，其特征在于，包括以下步骤：/n(1)根据图像的局部像素灰度信息，计算其最大占优抑制相似度函数；/n(2)计算像素的模糊集的隶属度；/n(3)构建非线性的模糊补函数，计算模糊集的非隶属度和犹豫度；/n(4)根据上述的隶属度、非隶属度和犹豫度，将图像数据直觉模糊化，形成直觉模糊集；/n(5)根据图像像素的局部空间关系，构建直觉模糊因子；/n(6)根据直觉模糊因子，在步骤(4)的直觉模糊集中进行求解最优化；/n(7)根据最优化求解利用聚类算法进行图像分割。/n

【技术特征摘要】
1.一种基于改进直觉模糊c均值聚类的图像分割方法，其特征在于，包括以下步骤：
(1)根据图像的局部像素灰度信息，计算其最大占优抑制相似度函数；
(2)计算像素的模糊集的隶属度；
(3)构建非线性的模糊补函数，计算模糊集的非隶属度和犹豫度；
(4)根据上述的隶属度、非隶属度和犹豫度，将图像数据直觉模糊化，形成直觉模糊集；
(5)根据图像像素的局部空间关系，构建直觉模糊因子；
(6)根据直觉模糊因子，在步骤(4)的直觉模糊集中进行求解最优化；
(7)根据最优化求解利用聚类算法进行图像分割。


2.根据权利要求1所述的基于改进直觉模糊c均值聚类的图像分割方法，其特征在于，步骤(1)具体为：
(1.1)以图像中第j个像素xj为中心，取NR大小的矩形窗内的像素放入集合Nj中，其表达式为{xk|k∈Nj,k＝1,2,...,NR-1}，NR为集合Nj中像素的总个数，xk为元素xj的邻域窗口Nj内的第k个像素；
(1.2)将Nj内的像素按灰度值大小升序排序，以黄金分割点为界，将Nj分为奖励集合和惩罚集合将[0.618×(NR-1)]个像素放入中，剩余的像素放入
(1.3)按照像素所属的集合，对其进行惩罚或奖励，最大占优抑制相似度函数为：



其中，α是压制因子，Sjk是第j个像素xj与集合Nj中的第k个像素xk之间的局部相似度函数，其表达式如下：



其中，是集合Nj中灰度相似性的扩散比例因子，xp是集合Nj中的第p个元素。


3.根据权利要求2所述的基于改进直觉模糊c均值聚类的图像分割方法，其特征在于，步骤(2)中的隶属度为：



其中，μ(xj)第j个像素xj的模糊隶属度函数，


4.根据权利要求3所述的基于改进直...

【专利技术属性】
技术研发人员：杨真真，许鹏飞，康彬，匡楠，乐俊，郑艺欣，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32