本发明专利技术公开了一种空间加权隶属度模糊ｃ－均值纹理图像分割方法，主要解决纹理图像分割的局部错分问题，改善边缘结合位置的分割效果。其实现过程是：（１）输入待分割的图像；（２）对待分割图像提取灰度共生特征和小波特征；（３）利用空间信息调节模糊ｃ－均值聚类的隶属度并聚类；（４）利用粒子群优化方法对聚类过程中的调控参数进行优化；（５）判断是否达到设定的循环终止条件，如果没有达到循环终止条件则返回到第３步进行下一次循环，如果达到则退出循环得到最终隶属度值，即图像最终分割结果。本发明专利技术与现有的技术相比显著提高了图像的分割性能，能够有效地分割纹理图像和ＳＡＲ图像。
【技术实现步骤摘要】
本专利技术属于图像处理领域，涉及图像分割，可用于纹理图像分割和对SAR图像的 分割。
技术介绍
随着科学技术的发展，人们越来越多的以图像的形式获得各种信息。图像分割方 法也成为人们研究的热点。Shen S禾口 Liew A W提出了基于模糊c_均值(Fuzzy C-Means, FCM)的改进算法 并分别应用于医学图像和自然图像分割，得到了较好的图像分割结果，但由于仅考虑灰度 特征因此对纹理特征明显的图像并不能得到理想的分割结果。Oskoei MA和Omran MG分别将遗传算法(Genetic Algorithm, GA)和粒子群优化 (Particle Swarm Optimization, PS0)算法引入模糊聚类以实现目标函数的优化，应用于 自然图像分割时得到了较为理想的分割结果，通过优化算法改进模糊聚类的数据聚类结果 并应用于图像分割目前得到广泛关注。Tian Xiaolin等人提出的基于PSO优化空间约束聚类的SAR图像分割，在部分SAR 图像的分割中得到了理想的结果，由于其仅使用多尺度灰度特征，在纹理特征明显的SAR 图像中尽管考虑了空间信息仍旧不能得到理想的分割结果。图像分割中纹理特征的提取成 为改进以上算法的关键。Swagatam Das等人提出的空间加权隶属度模型并没有完全体现空间相邻像素位 置和纹理信息以及空间信息影响程度。上述的方法并没有同时利用纹理特征和空间信息，因此在纹理特征明显的图像分 割中并不能得到理想的分割结果。在利用纹理特征进行聚类的过程中，传统的模糊C-均值(Fuzzy C-Means, FCM)分 割方法并没有考虑空间信息，因此存在严重的局部错分现象，尤其是边缘部分错分严重。
技术实现思路
本专利技术的目的在于克服上述已有方法的缺点，提出了一种基于空间加权隶属度模 糊C-均值的纹理图像分割方法，以改善纹理图像局部错分现象，提高边缘分割效果。为实现上述目的，本专利技术包括如下过程(1)输入待分割图像，并提取待分割图像的纹理特征；(2)用每个像素点的邻域像素的空间信息和提取的纹理特征信息调节该像素点模 糊C-均值聚类的隶属度，得到调节后的隶属度为Uij = UijHJYjIxUcjKj其中uu表示调节前的像素点j隶属于第i类的隶属度数值；C表示聚类数目，Ucj表示调节前的像素点j隶属于第c类的隶属度数值；u' ,j是用空间信息和邻域纹理信息调节后的像素点j相对于第i类的隶属度值，Uij^U , U是图像所有像素点用空间信息和邻域纹理信息调节后的隶属度组成的矩阵；hcJ表示像素点j隶属于第c类的空间信息和邻域纹理信息调节系数；h.j表示像素点j隶属于第i类的空间信息和邻域纹理信息调节系数，其表示公式 为:hij = α · u(D)iJ+^ · u(T)iJ式中，α是u(mj的调控参数；u(D)iJ表示像素点j隶属于第i类的空间信息加权隶属度，其定义为U(D)IJ式中，s表示邻域像素数目，Uik表示像素点j的第k个邻域对于第i类的隶属度 值；cU表示像素点j和它的第k个邻域之间的空间距离；β是u(T)ij的调控参数；u(T)iJ表示像素点j隶属于第i类的邻域纹理信息加权隶属度，其定义为 _5] ^-ΣΙ,^λ/ΣΙΛ式中，Xjk是像素点j和它的第k个邻域之间的纹理特征的欧氏距离，Xjk = I Xj-Xk 11，这里的Xj和Xk分别表示像素点j和像素点j的第k个邻域的纹理特征向量；(3)根据调节后的隶属度值u' ij，利用下式对待分割图像进行聚类minJJU,V) = Σ 二 Σ丨其中Jm表示模糊C-均值聚类的目标函数，me (1，⑴)控制模糊度权重指数；N表示图像像素数，C表示聚类数目；Xj表示第j个像素点位置纹理特征；Zi表示第i类的聚类中心Zi eF,V是由聚类中心组成的矩阵；W2(I,Z,)为相似性测度，其表示公式为錢，Zi) = I Ixj-ZiI I ；(4)通过粒子群优化对调控参数α和β进行更新，优化的最大代数为60 ；(5)判断是否达到设定的循环结束条件，如果达到循环结束条件，则分割结束，把 当前的隶属度值作为图像分割结果，否则转到步骤2进行下一次循环，所述的循环结束条件，设定为在5次优化中要满足I之°-^+0IAw ^ 0.0001，其中表示优化的第t代的目标函数值，Ji'+1)表示优化的第t+Ι代的目标函数值，t的取值范围为 。本专利技术与现有的技术相比具有以下优点1)本专利技术由于利用了图像的纹理特征，比起用灰度特征进行图像分割更为有效；2)本专利技术不是用纹理特征进行简单的聚类，而是通过空间信息和邻域纹理信息对 FCM的隶属度进行调节，基本消除了局部错分现象，改善了图像边缘分割效果；3)本专利技术由于采用粒子群优化PSO算法，对FCM聚类算法中隶属度调节公式= α M(D)ij+β ^mij中u(mj的系数α和umij的系数β进行调控，有助于获得良好的分割 结果。附图说明图1是本专利技术的实现流程4图2是本专利技术对于三幅合成纹理图像SYN1，SYN2, SYN3分割结果与现有三种方法 分割结果对比图；图3是本专利技术对于三幅SAR图像SAR1，SAR2，SAR3分割结果与现有三种方法分割 结果对比图。具体实施例方式参照图1，本专利技术的具体实施过程如下步骤1.输入待分割图像，提取待分割图像的纹理特征。本专利技术对待分割图像提取的纹理特征包括灰度共生特征和小波特征1. 1)灰度共生特征提取在灰度共生特征的提取中，首先计算待分割图像中以待提取特征的像素点为中心 的，设定的特征窗口内的图像子块的灰度共生矩阵P (u，V，d，θ )，其中U和V表示灰度共生 矩阵计算中统计的两个像素点的灰度；θ表示提取灰度共生矩阵的方向，θ的选择为4个 离散的方向0°，45°，90°，135° ；d表示灰度共生矩阵计算中统计的两个像素点的距离， 本专利技术中取值为1。在灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。本专利技术中从图像的灰度共生矩阵中抽取以下这些二次统计量作为分类识别的特征系数α)角二阶矩私=Σ二Σ二乂 ；⑵同质性於=Σ:::Σ::>Μ/(1+Η);⑶对比度=Σ:::Σ::>-ν)2 剩，L-I 表示量化的灰度等级。其中，角二阶矩在0°，45°，90°，135°上的值用(g1(1，gn，g12，g13)表示， 同质性在四个方向上用(g20, g21, g22, g23)表示，对比度在四个方向上用(g3Q，g31，g32，g33)表7J\ ο1. 2)小波特征提取提取小波特征时，首先对待分割图像中以待提取特征的像素点为中心的，设定的 特征窗口内的图像子块沿X方向和y方向分别进行一维滤波，把每一尺度分解成四个子带 LL、HL、LH和HH，分别表征图像的低频信息及水平、垂直和斜方向上的细节。按式ν^^Σ ,Σ Χ"7，—分别求出子带的U范数，式中，w表示子带的Ll范数，M为子带系数的行数，N为子带系数的列数，MXN为子带大小，m，η表示子带中系 数的索引，coef(m，n)为该子带中第m行第η列的系数值。经过对图像进行L层小波变换， 提取得到3L+1个子带的Ll范数，从而得到一个3L+1维的特征向量Ov W1,…，w3L+1)。本专利技术的实验部分对于合成纹理图像采用12维灰度共生特征和本文档来自技高网...
【技术保护点】
一种基于空间加权隶属度模糊ｃ－均值的纹理图像分割方法，包含以下步骤：（１）输入待分割图像，并提取待分割图像的纹理特征；（２）用每个像素点的邻域像素的空间信息和提取的纹理特征信息调节该像素点模糊ｃ－均值聚类的隶属度，得到调节后的隶属度为：ｕ↓［ｉｊ］′＝ｕ↓［ｉｊ］ｈ↓［ｉｊ］／Σ↓［ｃ＝１］↑［Ｃ］ｕ↓［ｃｊ］ｈ↓［ｃｊ］其中：ｕ↓［ｉｊ］表示调节前的像素点ｊ隶属于第ｉ类的隶属度数值；Ｃ表示聚类数目，ｕ↓［ｃｊ］表示调节前的像素点ｊ隶属于第ｃ类的隶属度数值；ｕ′↓［ｉｊ］是用环。空间信息和邻域纹理信息调节后的像素点ｊ相对于第ｉ类的隶属度值，ｕ′↓［ｉｊ］＊Ｕ，Ｕ是图像所有像素点用空间信息和邻域纹理信息调节后的隶属度组成的矩阵；ｈ↓［ｃｊ］表示像素点ｊ隶属于第ｃ类的空间信息和邻域纹理信息调节系数；ｈ↓［ｉｊ］表示像素点ｊ隶属于第ｉ类的空间信息和邻域纹理信息调节系数，其表示公式为：ｈ↓［ｉｊ］＝α.ｕ↓［（Ｄ）ｉｊ］＋β.ｕ↓［（Ｔ）ｉｊ］式中，α是ｕ↓［（Ｄ）ｉｊ］的调控参数；ｕ↓［（Ｄ）ｉｊ］表示像素点ｊ隶属于第ｉ类的空间信息加权隶属度，其定义为：ｕ↓［（Ｄ）ｉｊ］＝∑↓［ｋ＝１］↑［Ｓ］ｕ↓［ｉｋ］ｄ↓［ｊｋ］↑［２］／∑↓［ｋ＝１］↑［Ｓ］ｄ↓［ｊｋ］↑［２］，式中，ｓ表示邻域像素数目，ｕ↓［ｉｋ］表示像素点ｊ的第ｋ个邻域对于第ｉ类的隶属度值；ｄ↓［ｊｋ］表示像素点ｊ和它的第ｋ个邻域之间的空间距离；β是ｕ↓［（Ｔ）ｉｊ］的调控参数；ｕ↓［（Ｔ）ｉｊ］表示像素点ｊ隶属于第ｉ类的邻域纹理信息加权隶属度，其定义为：ｕ↓［（Ｔ）ｉｊ］＝∑↓［ｋ＝１］↑［Ｓ］ｕ↓［ｉｋ］Ｘ↓［ｊｋ］／∑↓［ｋ＝１］↑［Ｓ］Ｘ↓［ｊｋ］，式中，Ｘ↓［ｊｋ］是像素点ｊ和它的第ｋ个邻域之间的纹理特征的欧氏距离，Ｘ↓［ｊｋ］＝｜｜Ｘ↓［ｊ］－Ｘ↓［ｋ］｜｜，这里的Ｘ↓［ｊ］和Ｘ↓［ｋ］分别表示像素点ｊ和像素点ｊ的第ｋ个邻域的纹理特征向量；（３）根据调节后的隶属度值ｕ′↓［ｉｊ］，利用下式对待分割图像进行聚类：ｍｉｎＪ↓［ｍ］（Ｕ，Ｖ）＝Σ↓［ｊ＝１］↑［Ｎ］Σ↓［ｉ＝１］↑［Ｃ］（ｕ↓［ｉｊ］′）↑［ｍ］ｄ↑［２］（Ｘ↓［ｊ］，Ｚ↓［ｉ］）其中：Ｊ↓［ｍ］表示模糊ｃ－均值聚类的目标函数，ｍ∈（１，∞）控制模糊度权重指数；Ｎ表示图像像素数，Ｃ表示聚类数目；Ｘ↓［ｊ］表示第ｊ个像素点位置纹理特征；Ｚ↓［ｉ］表示第ｉ类的聚类中心Ｚ↓［ｉ］＊Ｖ，Ｖ是...
【技术特征摘要】
【专利技术属性】
技术研发人员：田小林，王爽，王刚，焦李成，张小华，吴建设，钟桦，缑水平，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]
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。