一种基于增强型FCM的图像分割方法技术

本发明专利技术公开了一种基于增强型FCM的图像分割方法，包括如下步骤：步骤1：对原始图像进行均值滤波生成新图像I1；步骤2：对原始图像采用二位Gabor滤波提取纹理特征，生成图像I2；步骤3：对I1与I2图像进行线性加权，生成图像I3；步骤4：计算误差阈值ε；骤5：初始化隶属度矩阵；步骤6：判断是否超过最大迭代次数，未超过继续执行步骤7；步骤7：计算聚类中心；步骤8:更新隶属度矩阵；步骤9：判断是否满足迭代终止条件；步骤10：输出经过上述步骤处理过的图像作为最终图像分割结果。本专利大幅降低了噪声对分割结果的干扰。结果的干扰。结果的干扰。

【技术实现步骤摘要】
一种基于增强型FCM的图像分割方法


[0001]本专利技术涉及图像分割领域，特别涉及一种基于增强型FCM的图像分割方法。

技术介绍

[0002]FCM算法是一种用于图像分割的常用算法。该算法主要有3个优点：(1)利用隶属度综合衡量各因素影响，在处理具有不确定性和模糊性的图像上占有一定的优势(2)属于无监督分类方法，聚类不需要人工干预可自动实现图像分割(3)此算法具有精度高误差小，占用计算机内存少，收敛速度快等优点。由于FCM计算规则简单、拥有较快的运算速度，使得该算法在计算实时分割图像上有着显著的优越性。目前FCM算法已经成功应用到医学图像分割、遥感图像分割等领域，且取得了较为良好的图像分割效果。
[0003]由于传统的FCM图像分割算法在特征提取中没有考虑到图像的空间信息，因此用于分割含有噪声的图像时很难获得令人满意的结果。目前结合空间信息对传统FCM算法进行改进是抑制噪声的有效途径，但是现有的这些改进方法都需要在每次迭代中重新扫描所有像素以得到空间信息，这会导致图像分割速度的下降，无法发挥FCM图像分割算法的优势。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于增强型FCM的图像分割方法，通过改进改进使基于FCM算法的图像分割对纹理结构复杂的图像取得了较好的分割结果。
[0005]为了实现上述目的，本专利技术采用的技术方案为：一种基于增强型FCM的图像分割方法，包括如下步骤：
[0006]步骤1：对原始图像进行均值滤波生成新图像I1；
>[0007]步骤2：对原始图像采用二位Gabor滤波提取纹理特征，生成图像I2；
[0008]步骤3：对I1与I2图像进行线性加权，生成图像I3；
[0009]步骤4：计算误差阈值ε
[0010]步骤5：初始化隶属度矩阵；
[0011]步骤6：判断是否超过最大迭代次数，未超过继续执行步骤7；
[0012]步骤7：计算聚类中心；
[0013]步骤8:更新隶属度矩阵；
[0014]步骤9：判断是否满足迭代终止条件；
[0015]步骤10：输出经过上述步骤处理过的图像作为最终图像分割结果。
[0016]步骤2中采用Gabor滤波器组提取纹理特征。
[0017]Gabor滤波器组设计为
[0018][0019]其中：(x
′
，y
′
)相对于(x，y)旋转了θ，则x
′
＝xcosθ+ysinθ，y
′
＝
‑
xsinθ+ycosθ；尺度因子a＝(Ω
h
/Ω1)
1/(S
‑
1)
；为二维高斯函数，σ
x
，σ
y
分别为Gabor小波基函数沿x轴，y轴方向的方差；Ω
m
＝amΩ1；而σ
u
，σ
v
分别是信号在频率域中的相应带宽，他们满足：参数S，K，Ω1，Ω
h
为初始设定。
[0020]步骤3中，线性叠加后的像素点采用如下公式获取得到：
[0021][0022]其中η
k
是线性叠加后新图像上第k个像素的灰度值，x
r
表示x
k
的邻域像素，Nk表示以Xk为邻域的像素个数，为均值滤波后的像素值。权重因子α根据不同的分割要求、图像类型、特征等因素综合确定。
[0023]步骤4中，误差阈值ε采用如下公式计算：
[0024][0025][0026]步骤5中，初始化隶属度矩阵步骤5中，初始化隶属度矩阵表示初始隶属度矩阵,n表示数据集中数据对象的个数,m表示簇类的个数,u
ij
表示数据对象x
i
与聚类中心c
j
之间的隶属度,其数值越大,说明数据对象越靠近聚类中心c
j
。
[0027]步骤6中，设定最大迭代次数max_k的值,判断当前迭代次数k是否超过了最大迭代次数.如果超过了则直接返回聚类结果,如果未超过则继续进行后续步骤。
[0028]步骤8中，
[0029]基于计算的各簇类中心点及原始数据集合,通过隶属度计算公式对隶属度矩阵进行更新:
[0030][0031]u
ij
表示对象x
i
与聚类中心c
j
之间的隶属度,m表示聚类的簇类数量。分式下半部分表示对象x
i
到聚类中心c
j
的距离,而分母则表示当前对象到所有聚类中心的距离之和。
[0032]步骤9中，当满足如下公式时，认为满足迭代终止条件；
[0033][0034]表示在当前迭代次数k+1下更新的对象x
i
与簇类中心c
j
之间的隶属度,表示
更新之前的对象x
i
与簇类中心c
j
之间的隶属度。ε表示误差阈值。
[0035]本专利技术的优点在于：本专利将用于图像去噪的二维均值滤波函数引入到增强型FCM算法中，提出了一种基于结构特征的增强型FCM算法，克服了传统FCM算法在图像分割中仅仅应用节点灰度信息描述特征的缺陷，并大幅降低了噪声对分割结果的干扰。
附图说明
[0036]下面对本专利技术说明书各幅附图表达的内容及图中的标记作简要说明：
[0037]图1为本专利技术方法流程图
[0038]图2为本专利技术遥感河流影像示意图；
[0039]图3采用FCM算法分割后的遥感河流影像；
[0040]图4为本专利技术采用本专利算法分割后的遥感河流影像示意图。
具体实施方式
[0041]下面对照附图，通过对最优实施例的描述，对本专利技术的具体实施方式作进一步详细的说明。
[0042]本文还融合了图像的纹理结构特征，采用Gabor二维函数构造的滤波器组进行图像的结构特征提取来代替传统算法的单一灰度特征，更加精确地刻画了图像邻域的像素关系。不仅如此，本文还提出了一种新颖的像素特征距离测度公式来代替传统FCM算法的欧氏距离测度公式。上述改进使基于FCM算法的图像分割对纹理结构复杂的图像取得了较好的分割结果。
[0043]步骤1：对原始图像进行均值滤波生成新图像I1。
[0044]步骤2：对原始图像采用二位Gabor滤波提取纹理特征，生成图像I2。
[0045]根据图像特征,选择径向中心频率的低频参数Ω1和高频参数Ω
h
.2)选择径向通道数S和弧向通道数K.参数m＝1，2，
…
，S，n＝1，2，
…
，K.通过改变m，n可以得到一系列的尺度和方向都不同的滤波器，也即Gabor小波滤波器组.
[0046]Gabor滤波器组设计为
[0047][0048]其中：(x
′
，y
′<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增强型FCM的图像分割方法，其特征在于：包括如下步骤：步骤1：对原始图像进行均值滤波生成新图像I1；步骤2：对原始图像采用二位Gabor滤波提取纹理特征，生成图像I2；步骤3：对I1与I2图像进行线性加权，生成图像I3；步骤4：计算误差阈值ε步骤5：初始化隶属度矩阵；步骤6：判断是否超过最大迭代次数，未超过继续执行步骤7；步骤7：计算聚类中心；步骤8:更新隶属度矩阵；步骤9：判断是否满足迭代终止条件；步骤10：输出经过上述步骤处理过的图像作为最终图像分割结果。2.如权利要求1所述的一种基于增强型FCM的图像分割方法，其特征在于：步骤2中采用Gabor滤波器组提取纹理特征。3.如权利要求2所述的一种基于增强型FCM的图像分割方法，其特征在于：Gabor滤波器组设计为其中：(x
′
，y
′
)相对于(x，y)旋转了θ，则x
’
＝xcosθ+ysinθ，y
’
＝
‑
xsinθ+ycosθ；尺度因子a＝(Ω
h
/Ω1)
1/(S
‑
1)
；为二维高斯函数，σ
x
，σ
y
分别为Gabor小波基函数沿x轴，y轴方向的方差；Ω
m
＝a
m
Ω1；而σ
u
，σ
v
分别是信号在频率域中的相应带宽，他们满足：参数S，K，Ω1，Ω
h
为初始设定。4.如权利要求1所述的一种基于增强型FCM的图像分割方法，其特征在于：步骤3中，线性叠加后的像素点采用如下公式获取得到：其中η
k
是线性叠加后新图像上第k个像素的灰度值，Xr表示Xk的邻域像素，Nk表示以Xk为邻域的像素个数，∑r∈NX...

【专利技术属性】
技术研发人员：任鹏，刘志恒，赵立军，曹雏清，
申请(专利权)人：哈尔滨工业大学芜湖机器人产业技术研究院，
类型：发明
国别省市：