一种基于加权鲁棒FCM聚类的图像分割方法及系统技术方案

本发明专利技术公开了一种基于加权鲁棒FCM聚类的图像分割方法及系统，属于图像分割技术领域，包括以下步骤：S1：输入待分割图像矩阵，定义目标函数并初始化优化模糊聚类方法目标函数中的各参数；S2：基于目标函数最小化，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵；S3：判断优化的模糊聚类方法是否满足迭代停止条件，否则继续迭代执行步骤S2，是则根据隶属度最大准则标记每个像素点，完成图像分割。本发明专利技术考虑了每个像素点属于不同类别的不同重要性，大大增强了算法对噪声点和奇异点的鲁棒性，从而提高了聚类的精度，解决了传统FCM算法在较高噪声环境下无法有效进行图像分割的技术问题，具有鲁棒性强和稳定性高的优点。高的优点。高的优点。

【技术实现步骤摘要】
一种基于加权鲁棒FCM聚类的图像分割方法及系统


[0001]本专利技术涉及图像分割
，具体涉及一种基于加权鲁棒FCM聚类的图像分割方法及系统。

技术介绍

[0002]图像分割是将一幅图像分割成一组互不相交的子区域，同一区域内部具有相似的特性，这里的特性可以是颜色、灰度、纹理等。图像分割是计算机视觉、模式识别、图像处理等领域的最重要的基础环节，它是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。
[0003]模糊C
‑
均值聚类方法(Fuzzy C
‑
Means，FCM)是应用最为广泛的图像分割方法之一。传统FCM算法的目标函数E为：
[0004][0005]n为待分割图像中像素点个数，c为待分割图像的聚类数目，u
ik
表示第k各像素点x
k
隶属于第i个聚类的程度，p为隶属度加权指数，d2(x
k
,v
i
)表示像素点x
k
与第i个聚类中心v
i
之间的欧氏距离。
[0006]然而，在传统的FCM聚类算法中，每个数据和每个特征均被同等对待，即使某个数据点为噪声点，在较高噪声环境下无法有效进行图像分割的。为此，提出一种基于加权鲁棒FCM聚类的图像分割方法。

技术实现思路

[0007]本专利技术所要解决的技术问题在于：如何解决传统FCM算法在较高噪声环境下无法有效进行图像分割的技术问题，提供了一种基于加权鲁棒FCM聚类的图像分割方法，该方法考虑每个像素点属于不同类别的不同重要性，大大增强了算法对噪声点和奇异点的鲁棒性。
[0008]本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：
[0009]S1：输入待分割图像矩阵，定义目标函数并初始化优化模糊聚类算法目标函数中的各参数；
[0010]S2：基于目标函数最小化，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵；
[0011]S3：判断优化的模糊聚类算法是否满足迭代停止条件，否则继续迭代执行步骤S2，迭代更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵，是则根据隶属度最大准则标记每个像素点，完成图像分割。
[0012]更进一步地，在所述步骤S1中，目标函数为：
[0013][0014]在上式中n为待分割图像中像素点个数，m为像素点特征个数，c为待分割图像的聚类数目，其为聚类中心矩阵，v
ij
表示第i个聚类中心的第j个特征值；为隶属度矩阵,u
ik
表示第k各像素点x
k
隶属于第i个聚类的程度；为数据重要性矩阵，w
ik
表示像素点x
k
对于第i个聚类的重要性；为特征权值矩阵，r
ij
表示第j个特征对于第i个聚类的重要性；θ为数据可靠性系数，δ，ε为两个正则化系数，其中：
[0015][0016]r
ij
∈[0,1],u
ik
∈[0,1],w
ik
∈[0,1][0017]1≤i≤c,1≤k≤n，1≤j≤m。
[0018]更进一步地，在所述步骤S1中，初始化目标函数中的各参数，即初始化：分类数量c，数据可靠性系数θ，正则化系数：δ，ε，循环截止误差ε＝1e
‑5，循环次数t＝1，最大循环次数T。
[0019]更进一步地，在所述步骤S2中，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵的公式分别为：
[0020][0021][0022][0023][0024]更进一步地，在所述步骤S3中，所述迭代停止条件为：判断模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵更新后的目标函数值变化值||J
(t)
‑
J
(t
‑
1)
||≤ε
是否成立，其中J
(t)
为第t次迭代更新后的目标函数值，J
(t
‑
1)
为第t
‑
1次迭代更新后的目标函数值，成立则循环终止；不成立判断当前迭代次数t≥T是否成立，成立则循环终止，不成立则循环执行步骤2，循环迭代次数t加1。
[0025]本专利技术还提供了一种基于加权鲁棒FCM聚类的图像分割系统，利用上述的方法对图像进行分割，包括：
[0026]初始化模块，用于输入待分割图像矩阵，定义目标函数并初始化优化模糊聚类算法目标函数中的各参数；
[0027]矩阵计算模块，用于基于目标函数最小化，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵；
[0028]图像分割模块，用于判断优化的模糊聚类算法是否满足迭代停止条件，否则继续迭代执行步骤S2，迭代更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵，是则根据隶属度最大准则标记每个像素点，完成图像分割；
[0029]中央处理模块，用于向其他模块发出指令，完成相关动作；
[0030]所述初始化模块、所述矩阵计算模块、所述图像分割模块均与中央处理模块电连接。
[0031]本专利技术相比现有技术具有以下优点：该基于加权鲁棒FCM聚类的图像分割方法，考虑了每个像素点属于不同类别的不同重要性，大大增强了算法对噪声点和奇异点的鲁棒性，从而提高了聚类的精度，解决了传统FCM算法在较高噪声环境下无法有效进行图像分割的技术问题，具有鲁棒性强和稳定性高的优点，值得被推广使用。
附图说明
[0032]图1是本专利技术实施例中基于加权鲁棒FCM聚类的图像分割方法的流程示意图。
具体实施方式
[0033]下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0034]实施例一
[0035]本实施例提供一种技术方案：一种基于加权鲁棒FCM聚类的图像分割方法，包括如下步骤：
[0036]步骤1：输入待分割图像矩阵，定义图像分割加权鲁棒FCM模糊聚类的目标函数并初始化优化模糊聚类算法目标函数中的各参数。
[0037]其目标函数为：
[0038][0039]在上式中n为待分割图像中像素点个数，m为像素点特征个数，c为待分割图像的聚类数目，其为聚类中心矩阵，v
ij
表示第i个聚类中心的第j个特征值；
为隶属度矩阵,u
ik
表示第k各像素点x
k
隶属于第i个聚类的程度；为数据重要性矩阵，w
ik
表示像素点x
k
对于第i个聚类的重要性；为特征权值矩阵；r
ij
表示第j个特征对于第i个聚类的重要性；θ为数据可靠性系数，δ，ε为两个正则化系数，其中：
[0040][0041]r
...

【技术保护点】

【技术特征摘要】
1.一种基于加权鲁棒FCM聚类的图像分割方法，其特征在于，包括以下步骤：S1：输入待分割图像矩阵，定义目标函数并初始化优化模糊聚类方法目标函数中的各参数；S2：基于目标函数最小化，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵；S3：判断优化的模糊聚类方法是否满足迭代停止条件，否则继续迭代执行步骤S2，迭代更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵，是则根据隶属度最大准则标记每个像素点，完成图像分割。2.根据权利要求1所述的一种基于加权鲁棒FCM聚类的图像分割方法，其特征在于：在所述步骤S1中，目标函数为：在上式中n为待分割图像中像素点个数，m为像素点特征个数，c为待分割图像的聚类数目，其为聚类中心矩阵，v
ij
表示第i个聚类中心的第j个特征值；为隶属度矩阵,u
ik
表示第k各像素点x
k
隶属于第i个聚类的程度；为数据重要性矩阵，w
ik
表示像素点x
k
对于第i个聚类的重要性；为特征权值矩阵，r
ij
表示第j个特征对于第i个聚类的重要性；θ为数据可靠性系数，δ，ε为两个正则化系数，其中：r
ij
∈[0,1],u
ik
∈[0,1],w
ik
∈[0,1]1≤i≤c,1≤k≤n，1≤j≤m。3.根据权利要求2所述的一种基于加权鲁棒FCM聚类的图像分割方法，其特征在于：在所述步骤S1中，初始化目标函数中的各参数，即初始化：分类数量c，数据可靠性系数θ，正则化系数：δ，ε，循环截止误差ε＝1e
‑5，循环次数t＝1，最大循环...

【专利技术属性】
技术研发人员：吴紫恒，周阳，王兵，李聪，马小陆，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：