一种具备迁移学习能力的模糊聚类图像分割方法技术

本发明专利技术公开了一种具备迁移学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为研究对象，针对模糊C均值算法在面对带噪声的图像时抗噪声能力弱的缺陷，提出了一种具备迁移学习能力的模糊聚类图像分割方法。此图像分割方法在处理新的图像时，特别针对含噪声污染的图像，该方法能够有效地学习利用以往大量的相似图像通过模糊C均值算法所总结得到的可靠的聚类知识，该类知识一般被描述为聚类中心，通过将上述可靠知识引入到当前的新图像分割任务中可以有效地引导当前的聚类任务的完成并起到抗噪的效果，进而获取更为精准的聚类中心及更为精确的图像分割结果。

【技术实现步骤摘要】

本专利技术属于图像处理及应用领域，具体是。
技术介绍
迁移学习理论自1995年被提及以来，在机器学习领域生产了巨大的影响。该方法颠覆了传统的机器学习方法，使得机器学习更为智能化(Pan J. L. , YangQ. , A Survey onTransfer Learning. IEEE Transactions on Knowledge and DataEngineering,10,2010 1345-1359)。其具体的表现在于,利用该理论在建立模型时会考虑以往已有的相似模型,将以往的模型作为参照体，而后再结合当前的环境进行建模，这样的新型建模方法将大大提高前期的建模效率，并且有效地合理地利用历史储备也有助于模型初期的稳定性，比起传统的不考虑历史相似场景只考虑当前场景，全部从“零”开始的建模方法而言，该种策略来的更加快速有效。并且该种建模方法与人类的认知过程也是一致的，正如我们所知人在认·知A’事物时，往往会借助A事物来进行迁移学习(注A’与A存在某种相似性)，具体的例子有当人在认知“梨”这个概念时，一般会借用以往对“苹果”的认识来进行迁移再学习，这大大提高了认知的速度以及准确率。同样，对于机器学习而言，融入该策略之后，将使得传统的机器学习方法变得更为智能化。模糊C均值算法(Fuzzy Cneans,简称FCM)是一种经典聚类分析方法,其目的在于将一个未被标记的样本集合按照某种准则划分成若干类，并且规定同一类中的样本点尽量的相似，不同类中的样本点尽可能的不同。采用此类样本分析方法，可以定量地确定出样本之间的远近关系，进而达到对该样本进行合理分类与分析的目的。这种聚类技术及其改进技术经常被运用于图像处理领域(Zhu L.，Chung F. L.，Wang S. T.，Generalized FuzzyC-Means ClusteringAlgorithm With Improved Fuzzy Partitions. IEEE Transactionson Systems Man andCybernetics, 39, 2009 :578-591)。但该技术由于忽略了样本的空间信息导致了该类技术在面对受到噪声污染的图像时分割的精度常常不能令人满意。针对此种场景，相关的改进技术方案也较多，一般的方案均采用先对图像降噪，而后再利用模糊C均值算法对该处理完的图像进行聚类分析，这种方案在当前的图像处理领域内应用也较为广泛，但是此种做法由于选用的去噪算法的不同通常会在去噪的过程中造成图像信息的损失，从而破坏整个图像的信息成分，造成图像的分割精度不高的现象。找到一种能够不受去噪算法影响，最大限度的保留图像信息成分的方案是当前丞待解决的一个技术热点。
技术实现思路
本专利技术的目的在于在不使用任何去噪算法对图像进行预处理的前提下，利用迁移学习的理论，通过有效地的利用大量的历史相似图像经FCM算法总结得到的历史知识来引导当前的图像处理任务，从而提高FCM算法的抗噪能力。按照本专利技术提供的技术方案，所述具备迁移学习能力的模糊聚类图像分割方法，包含如下步骤I、迁移学习能力的模糊聚类图像分割方法，其特征是，包含如下步骤步骤一利用历史储备图像通过经典FCM算法得到历史聚类中心权利要求1.迁移学习能力的模糊聚类图像分割方法，其特征是，包含如下步骤 步骤一利用历史储备图像通过经典FCM算法得到历史聚类中心2.如权利要求I所述具备迁移学习能力的模糊聚类图像分割方法，其特征是，步骤二所述之类中心V及隶属度U的优化求解步骤包括 (I)利用式(4)以及其附带的隶属度约束条件= I，利用经典的数学方法-拉格朗日 条件极值法令一gf! = G可求得隶属度μ ij对应的迭代求解公式3.如权利要求I所述具有类人学习能力的TSK模糊系统建模方法，其特征是，目标函数式⑷本质上可以分为两个部分第一个部分为经典FCM方法聚类项4.如权利要求3所述具备迁移学习能力的模糊聚类图像分割方法，其特征是，所述目标函数的第二部分5.如权利要求3所述具备迁移学习能力的模糊聚类图像分割方法，其特征是，迁移学习项全文摘要本专利技术公开了。该方法以经典的模糊C均值算法作为研究对象，针对模糊C均值算法在面对带噪声的图像时抗噪声能力弱的缺陷，提出了。此图像分割方法在处理新的图像时，特别针对含噪声污染的图像，该方法能够有效地学习利用以往大量的相似图像通过模糊C均值算法所总结得到的可靠的聚类知识，该类知识一般被描述为聚类中心，通过将上述可靠知识引入到当前的新图像分割任务中可以有效地引导当前的聚类任务的完成并起到抗噪的效果，进而获取更为精准的聚类中心及更为精确的图像分割结果。文档编号G06T7/00GK102881019SQ20121038417公开日2013年1月16日 申请日期2012年10月8日 优先权日2012年10月8日专利技术者邓赵红, 王士同, 蒋亦樟, 钱鹏江, 王骏 申请人:江南大学本文档来自技高网...

【技术保护点】
迁移学习能力的模糊聚类图像分割方法，其特征是，包含如下步骤：步骤一：利用历史储备图像通过经典FCM算法得到历史聚类中心JFCM(U^,V^)=Σi=1CΣj=1Nμijm||xj-vi||2---(1)st.μij∈[0，1]and1≤j≤N其中C为聚类数，N为样本总数，为第i类的中心点，μij表示第j个样本属于i类的隶属度，其中模糊指数m必须满足m＞1，xj表示第j个样本点.为了得到最优的历史聚类中心以及历史隶属度利用拉格朗日条件极值的优化理论可以得到如下的迭代表达式：vi=Σj=1NμijmxjΣj=1Nμijm---(2)μij=1Σk=1C[||xj-vi||2||xj-vk||2]1m-1---(3)根据以上两式迭代优化终止后可获取历史相似图像的聚类中心步骤二：在处理新的带噪的图像处理任务时，在经典FCM算法的基础上融入从步骤一中得到的相关历史相似图像的聚类中心本方案构造出一个引入迁移学习机制的FCM算法之新目标函数JT？FCM，其具体形式如下：JT-FCM(U,V,V^,Xcurrent)=Σi=1CΣj=1Nμijm||xj-vi||2+λ·Σi=1CΣj=1Nμijm||vi-v^i||2---(4)st.μij∈[0，1]and1≤j≤N其中，其中C为聚类数，N为样本总数，为第i类的中心点，μij表示第j个样本属于i类的隶属度，其中模糊指数m必须满足m＞1，xj表示第j个样本点，Xcurrent表示当前的图像样本，U表示为当前图像的隶属度矩阵，V表示为当前图像的聚类中心，表示为历史相似图像的的聚类中心由步骤一获得，λ为历史知识使用程度值，可人工调控；步骤三：利用通过步骤二获取的当前图像的聚类中心V及隶属度U，在利用下述公式进行去模糊化之后即可得到当前图像处理任务的空间划分结果ΘΘij=1if(μij=max(μj))0others---(5)其中，μij表示第j个样本属于i类的隶属度，μi表示第j个样本属于各类的隶属度，Θij表示第j个样本属于i类的空间划分结果，进而得到图像的分割结果。FSA00000787711200011.tif,FSA00000787711200013.tif,FSA00000787711200014.tif,FSA00000787711200015.tif,FSA00000787711200016.tif,FSA00000787711200019.tif,FSA000007877112000110.tif,FSA000007877112000112.tif,FSA000007877112000113.tif,FSA000007877112000114.tif...

【技术特征摘要】

【专利技术属性】
技术研发人员：邓赵红，王士同，蒋亦樟，钱鹏江，王骏，
申请(专利权)人：江南大学，
类型：发明
国别省市：