【技术实现步骤摘要】
本专利技术属于图像处理，特别涉及一种基于距离反向度量和类信息熵的模糊聚类图像分割方法。
技术介绍
1、模糊聚类分割方法是近年来有效的图像分割算法，为了适应不同特征和类型图像，该方法被做了很多改进，如噪声检测模糊c均值算法(ndfcm)、快速广义模糊c均值算法(fgfcm)、基于像素包的模糊c均值算法(wipfcm)等。对于无损检测图像来说，由于其成像环境复杂，如工况条件差、受到机器热辐射干扰、光照较为昏暗斑驳等，其图像常有噪声干扰。对于这种情况，需要自适应的利用像素的邻域信息来抵抗噪声干扰，在模糊聚类方法中如何自适应的利用邻域信息成为了一个关键细节。
2、此外，无损检测图像分割主要涉及图像中背景部分和目标部分的分割，该图像的典型特点是背景部分和目标部分面积差异大，现有的分割技术经常把部分背景部分错误地划分为目标，容易造成过分割现象。
3、为了进一步提升模糊c均值方法的适应性，由以上分析可知，自适应地利用邻域信息、背景和目标差异大的问题都成为亟需解决的重要问题。
技术实现思路
1、有鉴于此，本专利技术针对模糊聚类图像分割方法在分割无损检测图像时遇到的问题，提供了基于距离反向度量和类信息熵的模糊聚类图像分割方法，该方法自适应的利用了图像的邻域信息，给出了原始图像和滤波图像的自适应比例关系，构建聚类中心与所有像素的反向度量表达式，并基于信息熵的概念设计类信息熵聚类模型，将反向度量表达式和类信息熵模型融入模糊聚类方法以均衡化背景和目标差异以及有效度量类的倾向性，解决
2、为实现上述目的，本专利技术所采用的技术方案如下：
3、一种基于距离反向度量和类信息熵的模糊聚类图像分割方法，包括如下步骤：
4、步骤s10：基于原始灰度图像，共有n个灰度值，其灰度值表达为x＝{x1,x2,…,xn}计算非线性加权滤波图像，相应的灰度值表达为
5、步骤s20：自适应确定目标函数中原始图像和滤波图像对应像素的权重比例关系；
6、步骤s30：根据像素灰度值、聚类中心以及权重比例关系构建像素与聚类中心距离的反向度量表达式；
7、步骤s40：基于信息熵的概念设计类的信息熵聚类模型；
8、步骤s50：将距离的反向度量表达式和类的信息熵聚类模型融入模糊c均值聚类的目标函数，构建新的目标函数；
9、步骤s60：基于新构建的目标函数，由拉格朗日乘子法得到新的隶属度和聚类中心表达式；
10、步骤s70：基于迭代的新的目标函数模型进行图像分割，得到分割结果。
11、进一步的，步骤s10所述计算非线性加权滤波图像的步骤为：
12、步骤s11：设定像素的邻域值，对于任意像素xj，确定该像素的邻域像素集合，该集合的数目nr与像素的邻域值正相关，邻域像素集合用nj表示，计算该集合内像素灰度的均方差其中像素xi为xj的邻域像素灰度值；
13、步骤s12：考虑空间关系和灰度关系对像素xi和xj的相似度量sij进行计算，其公式为其中(pi，qi)和(pj，qj)分别表示像素xi和xj的二维坐标，λs和λg表示尺度因子；
14、步骤s13：对于像素xj，非线性加权滤波图像中第j个像素的灰度值表示为遍历所有像素得到
15、进一步的，在步骤s20中，所述的原始图像和滤波图像对应像素的权重比例关系，以第j个像素为例(原始图像像素为xj，滤波图像像素为)，滤波图像和原始图像分别对应的权重表示为：
16、
17、λj＝1/(1+δij)
18、其中为滤波图像像素对应的权重比例，λj为原始图像像素xj对应的权重比例，δij为xj和的绝对差值。
19、进一步的，在步骤s30中，所述反向度量表达式为：
20、
21、该距离反向度量表达式是在迭代次数为(α-1)时求出的；
22、其中xs和表示原始图像和滤波图像中第s个像素灰度值，λs和表示原始图像和滤波图像中第s个像素对应的权重，表示在迭代次数为(α-1)时第i个聚类中心的值，||·||表示欧式距离。
23、进一步的，在步骤s40中，所述的类的信息熵聚类模型的表达式为：
24、
25、其中c为聚类数目，为在迭代次数为α时第i类的信息熵，表示在迭代次数为α时第i个聚类中心的值。第i类的信息熵的计算方法为：
26、步骤s41：首先当迭代次数为α时，确定属于第i类的像素集合该集合既包含原始图像相应像素，也包括滤波图像像素，它们是一一对应的，计算公式为：
27、
28、其中和分别表示在迭代次数为α时第j个像素属于第i类和第l类的隶属度；
29、步骤s42：然后计算第i类的类的信息熵具体表达式为：
30、
31、其中|ti(α)|表示在迭代次数为α时第i类的像素数目，可以看出，度量了第i类像素对应的隶属度在迭代次数为α时的平均信息熵。
32、进一步的，步骤s50所述的构建新的目标函数，其表达式为：
33、
34、其中u(α)为在迭代次数为α时的隶属度矩阵，v(α)为在迭代次数为α时的聚类中心矩阵，m为模糊因子，η为类的信息熵比例系数，它衡量了类的信息熵在目标函数中所起作用的大小。
35、进一步的，步骤s60中，由新的目标函数经拉格朗日乘子法得到新的聚类中心和隶属度表达式，分别为：
36、
37、
38、其中表示在迭代次数为α时第k个聚类中心的值，和的不同在于下标不同，其表达式为
39、进一步的，步骤s70所述的基于迭代的新的目标函数模型进行图像分割，具体步骤如下：
40、步骤s71：由原始图像计算非线性加权滤波图像
41、步骤s72：自适应确定目标函数中原始图像和滤波图像对应像素的权重比例关系分别为λj和
42、步骤s73：指定聚类数目c、模糊因子m、迭代次数t、终止条件ε、随机初始化隶属度矩阵u(0)和聚类中心矩阵v(0)，初始计数器α＝1；α为[0，t]范围内的任意值；
43、步骤s74：计算距离反向度量在迭代次数为(α-1)时的表达式
44、步骤s75：由新的隶属度表达式更新u(α)；
45、步骤s76：计算类的信息熵
46、步骤s77：由新的聚类中心表达式更新v(α)；
47、步骤s78：计数器α自增1，重复步骤s74至步骤s77，按顺序重复计算距离反向度量、隶属度、类的信息熵、聚类中心，直到α>t或者||v(α)-v(α-1)||<ε为止；
48、步骤s79：对最终的隶属度矩阵u进行去模糊化，利用得到图像中所有像素xj的标签，然后输出对图像的分割结果。
49、本专利技术与现有技术相比，所取得的技术进步在于本文档来自技高网...
【技术保护点】
1.基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于，包含如下步骤：
2.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤S10所述计算非线性加权滤波图像的步骤为：
3.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤S20中，所述原始图像和滤波图像对应像素的权重比例关系，以第j个像素为例，原始图像像素为xj，滤波图像像素为滤波图像和原始图像分别对应的权重表示为：
4.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤S30中，在迭代次数为(α-1)时，像素与聚类中心距离的反向度量表达式为：
5.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤S40中，类的信息熵聚类模型的表达式为：
6.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤S40所述的第i类的信息熵的计算方法为：
7.根据权利要求1所述的基于距离反向
8.根据权利要求7所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于，步骤S60中，由新的目标函数经拉格朗日乘子法得到新的聚类中心和隶属度表达式，分别为：
9.根据权利要求7所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于，步骤S70所述的基于迭代的新的目标函数模型进行图像分割，具体步骤如下：
...【技术特征摘要】
1.基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于，包含如下步骤：
2.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤s10所述计算非线性加权滤波图像的步骤为：
3.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤s20中，所述原始图像和滤波图像对应像素的权重比例关系，以第j个像素为例，原始图像像素为xj，滤波图像像素为滤波图像和原始图像分别对应的权重表示为：
4.根据权利要求1所述的基于距离反向度量和类信息熵的模糊聚类图像分割方法，其特征在于：步骤s30中，在迭代次数为(α-1)时，像素与聚类中心距离的反向度量表达式为：
5.根据权利要求1所述的基于距离反向度量和类信息熵的...
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。