一种具有抗噪性的快速模糊聚类数字图像分割方法技术

本发明专利技术公开了一种具有抗噪性的快速模糊聚类数字图像分割方法，该方法包括以下步骤：对待分割图像进行特征提取，得到图像的特征数据集X；利用图像的特征数据集X和邻域信息，对原始图像进行抗噪预处理；利用K-means算法初始化聚类中心；计算模糊隶属度矩阵；通过基于空间信息构造的空间函数来更新模糊隶属度矩阵；基于更新后的模糊隶属度矩阵计算聚类中心与用于实现聚类分割的目标函数值；循环迭代；根据聚类输出的模糊隶属度矩阵，得到数据点属于某一类的概率大小，按照最大概率原则对每个数据点就行分类标记，完成图像分割。本发明专利技术的方法可以经过较少的迭代次数取得理想的图像分割效果，并很好地消除噪声的影响，提高了图像分割的质量和分割效果的稳定性。

【技术实现步骤摘要】

本专利技术涉及图像处理
，具体涉及ー种具有抗噪性的快速模糊聚类数字图像分割方法。
技术介绍
图像是人类从客观世界获取信息的重要来源和传递信息的重要媒介，随着计算机、互联网等技术的发展，数字图像处理技术在エ业、医疗、军事、交通等行业中发挥着日益重要的作用。为了有效地提取和利用数字图像中所包含的信息，需要对图像进行分割。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同或相似的特性，这里的特性可以是灰度、顔色、纹理等。图像分割是模式识别、计算机视觉、图像理解等领域的 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，也是ー种基本的计算机视觉技木。模糊C-均值聚类方法(Fuzzy C-Means，简称FCM)是应用最为广泛的模糊聚类图像分割方法。相对于其他分割方法，FCM方法允许ー个像素同时属于多个类，能够保留初始图像的更多的信息。FCM方法通过更新每ー个像素相对于每一个聚类的模糊隶属度以及更新每ー个聚类中心，对用于实现聚类分割的目标函数进行迭代最小化，从而实现图像的分割。FCM的目标函数E为:_5] F = sf=1sf=1/fh.-%||2⑴其中，C是待分割图像类别的数目；N是图像数据点的个数；Uij是第j个数据点相对于第i个聚类的模糊隶属度邱是作用于模糊隶属度上的权重指数；Vi是第i个聚类中心七是第j个数据点。用于实现聚类分割的目标函数最小化的约束条件为Uij C . Ef=1 Uy = 'I Vj and 0 < Ef=i uy < N Vi . (2)然而，标准的FCM方法在图像分割中存在以下几个明显的缺点(1)初始聚类中心的选择对于图像分割结果有很大的影响，如果初始聚类中心选择不好，则会使方法陷入局部最优，得不到理想的分割結果；(2)没有考虑像素的空间信息，导致方法对于噪声比较敏感，当处理有噪声的图像时，不能取得令人满意的分割結果。
技术实现思路
本专利技术的目的就是为了解决上述问题，提供ー种具有抗噪性的快速模糊聚类数字图像分割方法，它可用于噪声图像(包括彩色图像和灰度图像)和医学图像等数字图像的分割。为了实现上述目的，本专利技术采用如下技术方案ー种具有抗噪性的快速模糊聚类数字图像分割方法，首先对原始图像进行抗噪预处理，然后对聚类中心初始化，并且基于像素的空间信息构造空间函数，利用该空间函数更新模糊隶属度矩阵，进而得到聚类中心与用于实现聚类分割的目标函数值，循环迭代，进而实现图像的分割。本专利技术的具体步骤为I)对待分割图像进行特征提取，得到图像的特征数据集；2)利用图像的特征数据集X和邻域信息，对原始图像进行抗噪预处理；3)利用K-means算法初始化聚类中心，降低初始聚类中心的选取对图像分割的影 响；4)计算模糊隶属度矩阵；5)通过基于空间信息构造的空间函数来更新模糊隶属度矩阵；6)基于更新后的模糊隶属度矩阵计算聚类中心与用于实现聚类分割的目标函数值；7)根据聚类输出的模糊隶属度矩阵，得到数据点属于某ー类的概率大小，按照最大概率原则对每个数据点就行分类标记，完成图像分割。所述步骤I)中，对待分割图像进行特征提取，得到图像的特征数据集X = {xz,x2,, } x>} c PJ, Xi = {xiv. ,xis}， (3)其中，X是原始图像的特征数据集，Xi为原始图像的数据点，N为图像数据点的个数，S为数据点Xi的维数，即为数据点的特征值的个数；所述步骤2)利用图像的特征数据集和邻域信息，对原始图像进行抗噪预处理，分为以下几个步骤2-1)计算原始图像上每个像素与其邻域像素的相似度；设Xi为图像中的第i个数据点，Ni是Xi的邻域数据点的集合，Xj是Ni中的第j个数据点；图像中Xi相对于Xj的相似度Su定义为sけ=ffXS(’ ⑷其中，Sg为特征相似度函数，Si为邻域相似度函数，其定义分别为Sg = exp (土:!;と:—:)，(5)其中，Iffc,ち:)=exp(-が^f[デ■;Xi与Xj分别为第i与第j个像素的特征值，、为Xi的邻域Ni中像素点的个数，U为相似度下限參数，U >0, A为相似度衰减參数，入> 0;Si = exp，(6)其中，Pi和Qi为Xi的横坐标和纵坐标&和为的横坐标和纵坐标，L为空间控制參数，L > 0 ；2-2)根据每个像素与邻域像素的相似度Sij的值，计算抗噪后的新图像中Xi的抗噪后的特征值，获得抗噪后的新图像 T^iSv，リノ其中，t新图像的第i个数据点特征值；所述步骤3),利用K-means算法初始化聚类中心Vi, i = {I, 2. . . , C} ；C是待分割图像的聚类数目；所述步骤4)，计算模糊隶属度矩阵利用如下公式计算像素&相对于聚类中心Vi的模糊隶属度U 权利要求1.ー种具有抗噪性的快速模糊聚类数字图像分割方法，其特征是，首先对原始图像进行抗噪预处理，然后对聚类中心初始化，并且基于像素的空间信息构造空间函数，利用该空间函数更新模糊隶属度矩阵，进而得到聚类中心与用于实现聚类分割的目标函数值，循环迭代，进而实现图像的分割。2.如权利要求I所述的ー种具有抗噪性的快速模糊聚类数字图像分割方法，其特征是，主要包含以下几个步骤 1)对待分割图像进行特征提取，得到图像的特征数据集； 2)利用图像的特征数据集和邻域信息，对原始图像进行抗噪预处理； 3)利用K-means算法初始化聚类中心，降低初始聚类中心的选取对图像分割的影响； 4)计算模糊隶属度矩阵； 5)通过基于空间信息构造的空间函数来更新模糊隶属度矩阵； 6)基于更新后的模糊隶属度矩阵计算聚类中心与用于实现聚类分割的目标函数值； 7)根据聚类输出的模糊隶属度矩阵，得到数据点属于某ー类的概率大小，按照最大概率原则对每个数据点就行分类标记，完成图像分割。3.如权利要求2所述的ー种具有抗噪性的快速模糊聚类数字图像分割方法，其特征是，所述步骤2)利用图像的特征数据集和邻域信息，对原始图像进行抗噪预处理，分为以下几个步骤 2-1)计算原始图像上每个像素与其邻域像素的相似度； 2-2)根据每个像素与邻域像素的相似度的值，计算抗噪后的新图像中的抗噪后的特征值，获得抗噪后的新图像。4.如权利要求2所述的ー种具有抗噪性的快速模糊聚类数字图像分割方法，其特征是，所述步骤4)，计算模糊隶属度矩阵首先计算出数据点与聚类中心的欧式距离，然后保证模糊隶属度满足一定的约束，在这个约束下计算像素相对于聚类中心的模糊隶属度，最后计算出模糊隶属度矩阵。5.如权利要求2所述的ー种具有抗噪性的快速模糊聚类数字图像分割方法，其特征是，所述步骤5)通过基于空间信息构造的空间函数来更新模糊隶属度矩阵首先计算数据点与邻域数据点之间的欧式距离，然后根据欧式距离计算出数据点的空间函数值，然后根据空间函数值计算出新的模糊隶属度。6.如权利要求2所述的ー种具有抗噪性的快速模糊聚类数字图像分割方法，其特征是，所述步骤7)根据聚类输出的模糊隶属度矩阵，得到数据点属于某ー类的概率大小，按照最大概率原则对每个数据点就行分类标记，完成图像分割； 其中，当连续两次迭代的用于实现聚类分割的目标函数值差的绝对值小于终止条件或方法超出最大迭代次数限制时迭代结束。7.如权利要求2本文档来自技高网...

【技术保护点】
一种具有抗噪性的快速模糊聚类数字图像分割方法，其特征是，首先对原始图像进行抗噪预处理，然后对聚类中心初始化，并且基于像素的空间信息构造空间函数，利用该空间函数更新模糊隶属度矩阵，进而得到聚类中心与用于实现聚类分割的目标函数值，循环迭代，进而实现图像的分割。

【技术特征摘要】

【专利技术属性】
技术研发人员：张彩明，郑福华，周元峰，张小峰，
申请(专利权)人：山东大学，
类型：发明
国别省市：