System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理的,具体涉及一种基于改进的熵正则化模糊k-means的图像分割方法及装置。
技术介绍
1、所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。近年来,图像分割方法的研究一直受到研究者们的关注。图像分割方法包括基于聚类的方法、基于边缘的方法和基于阈值的方法等,其中基于聚类的方法是研究的重点。聚类就是把集合中的元素分成多个类的过程,其中相似的对象分为一类,不同的对象归为不同的类。常见的聚类方法包括k-means算法、模糊k-means算法(fkm)和谱聚类算法等,其中fkm引起了广大研究者的兴趣。
2、模糊k-means算法(fkm)因其灵活性和出色的性能备受图像分割领域的关注。该类算法将模糊的概念引入目标函数中,使算法更能容忍数据集的多样性、噪声和异常值。虽然fkm已经有了良好的性能,但它仍然有一些缺点。例如,它的性能依赖于初始化;它很容易受到异常值的影响;它很容易得到一个不好的局部最小值等。例如,刘健庄提出的基于二维直方图的图像模糊聚类分割方法应用到图像分割时,存在两个问题:第一个问题是算法对初始值敏感,容易陷入局部最优等。这些都是fkm本身存在的问题所导致的。因此,为了解决fkm容易陷入局部最优的问题,有研究人员将fkm与粒子群优化(pso)相结合,以避免获得局部最小值,其中pso是一种全局优化技术。而对于fkm的其他问题,一些研究人员则将fkm的目标函数中引入正则化,提出熵正则
3、作为fkm在目标函数上的扩展,erfkm不可避免地继承了fkm的缺点,如容易落入一个较差的局部极小值。因此,如何避免erfkm在图像分割中陷入较差的局部极小值,是一个值得研究的问题。
4、针对以上问题,本专利技术提出基于改进的熵正则化模糊k-means的图像分割方法,利用一种简单且高效的迭代重加权算法,让erfkm能在更少的迭代次数下得到更好的局部最小值,并能提高分割精度。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足,提供一种基于改进的熵正则化模糊k-means的图像分割方法及装置,通过改进熵正则化模糊k-means算法在收敛时容易陷入较差的局部最优的缺陷,使得图像分割算法能够提高分割精度。
2、为了达到上述目的,本专利技术采用以下技术方案:
3、第一方面,本专利技术提供基于改进的熵正则化模糊k-means的图像分割方法,其特征在于,包括下述步骤:
4、对输入的原始图像进行预处理;
5、利用k×1个中间变量构造熵正则化模糊k-means算法的等效目标函数;
6、求解等效目标函数的变量模糊半径s和隶属矩阵u;
7、通过迭代重加权方法优化变量模糊半径s和隶属矩阵u的求解,并得到最终的隶属矩阵;
8、将每个像素聚类到隶属度最高的集群中,得到图像分割结果。
9、作为优选的技术方案,所述预处理具体为:
10、将原始图像规格化为[0,1],然后使用高斯滤波器对规格化后的原始图像进行滤波,最后求出原始图像与滤波图像之间的差值图像。
11、作为优选的技术方案,所述目标函数如下:
12、
13、其中,为原始图像矩阵,d为样本特征的维度,xi为第i个样本,为d×1维向量,i=1,2,…,n,n为原始数据点的个数,uij是隶属矩阵第i行第j列的值,表示第i个样本属于第j类的隶属度,uj表示隶属矩阵u的第j列;为中心矩阵,zj为第j个中心,k表示将样本分为k簇,u1=1表示每个样本属于每一类的隶属度之和为1,即表示xi的转置,s是一个k×1的向量,λ为惩罚项熵的参数。
14、作为优选的技术方案,所述求解等效目标函数的变量模糊半径s和隶属矩阵u,具体为:
15、首先,固定隶属矩阵u,求解等式(1)中变量模糊半径s。由于u固定,即为一个常数,所以通过推导等式(1)得到等式(2):
16、
17、然后,求解等式(2)关于sj的导数并将导数值设为零,将得到等式(3):
18、
19、接着,固定变量模糊半径s,求解等式(1)中的隶属矩阵u,当固定变量模糊半径s,将等式(1)推导成等式(4):
20、
21、这样,再通过等式(3)和求解等式(4)求解出变量模糊半径s和隶属矩阵u。
22、作为优选的技术方案,所述通过迭代重加权方法优化变量求解,并得到最终的隶属矩阵,具体为:
23、首先,计算关于uj的导数,具体如等式(5)所示,其中
24、
25、接着,在得到αj后,通过求解等式(6)中的最优解来更新uij:
26、
27、接着,利用约束条件以及拉格朗日乘子法,推导出等式(6)的拉格朗日函数为等式(8):
28、
29、然后,求解等式(7)关于uij的导数,并将其设为零,得到等式(8):
30、
31、然后,根据u1=1的约束条件,隶属矩阵u根据下式更新得到:
32、
33、最后,通过循环迭代计算等式(3)、等式(5)和等式(9),得到最终的隶属矩阵u。
34、作为优选的技术方案,所述将每个像素聚类到隶属度最高的集群中,得到图像分割结果,具体为:
35、找到对于每个像素隶属度中最大的值以及对应的集群,接着将集群视为对应的像素的最佳匹配;然后将每个像素分配到其最佳匹配的集群中,生成一个新的标记图像,即最终的图像分割结果,其中每个像素都被分配到一个集群。
36、第二方面,本专利技术提供了基于改进的熵正则化模糊k-means的图像分割系统,应用于所述的基于改进的熵正则化模糊k-means的图像分割方法,包括预处理模块、目标函数构建模块、变量求解模块、变量优化模块以及图像分割模块;
37、所述预处理模块,用于对输入的原始图像进行预处理;
38、所述目标函数构建模块,用于利用k×1个中间变量构造熵正则化模糊k-means算法的等效目标函数;
39、所述变量求解模块,用于求解等效目标函数的变量模糊半径s和隶属矩阵u;
40、所述变量优化模块,用于通过迭代重加权方法优化变量模糊半径s和隶属矩阵u的求解,并得到最终的隶属矩阵;
41、所述图像分割模块,用于将每个像素聚类到隶属度最高的集群中,得到图像分割结果。
42、第三方面,本专利技术提供一种电子设备,其特征在于,所述电子设备包括:
43、至少一个处理器;以及,
44、与所述至少一个处理器通信连接的存储器;其中,
45、所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程本文档来自技高网...
【技术保护点】
1.基于改进的熵正则化模糊K-means的图像分割方法,其特征在于,包括下述步骤:
2.根据权利要求1所述基于改进的熵正则化模糊K-means的图像分割方法,其特征在于,所述预处理具体为:
3.根据权利要求1所述基于改进的熵正则化模糊K-means的图像分割方法,其特征在于,所述目标函数如下:
4.根据权利要求3所述基于改进的熵正则化模糊K-means的图像分割方法,其特征在于,所述求解等效目标函数的变量模糊半径s和隶属矩阵U,具体为:
5.根据权利要求3所述基于改进的熵正则化模糊K-means的图像分割方法,其特征在于,所述通过迭代重加权方法优化变量求解,并得到最终的隶属矩阵,具体为:
6.根据权利要求3所述基于改进的熵正则化模糊K-means的图像分割方法,其特征在于,所述将每个像素聚类到隶属度最高的集群中,得到图像分割结果,具体为:
7.基于改进的熵正则化模糊K-means的图像分割系统,其特征在于,应用于权利要求1-6中任一项所述的基于改进的熵正则化模糊K-means的图像分割方法,包括预处理模块、目
8.一种电子设备,其特征在于,所述电子设备包括:
9.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-6任一项所述的基于改进的熵正则化模糊K-means的图像分割方法。
...【技术特征摘要】
1.基于改进的熵正则化模糊k-means的图像分割方法,其特征在于,包括下述步骤:
2.根据权利要求1所述基于改进的熵正则化模糊k-means的图像分割方法,其特征在于,所述预处理具体为:
3.根据权利要求1所述基于改进的熵正则化模糊k-means的图像分割方法,其特征在于,所述目标函数如下:
4.根据权利要求3所述基于改进的熵正则化模糊k-means的图像分割方法,其特征在于,所述求解等效目标函数的变量模糊半径s和隶属矩阵u,具体为:
5.根据权利要求3所述基于改进的熵正则化模糊k-means的图像分割方法,其特征在于,所述通过迭代重加权方法优化变量求解,并得到最终的隶属矩阵,具体为:<...
【专利技术属性】
技术研发人员:梁云,陈熠金,聂飞平,叶翠,高旺,梁起民,钟亦欣,龙富棉,
申请(专利权)人:华南农业大学,
类型:发明
国别省市:
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。