[发明专利]一种结合邻域信息的快速鲁棒模糊C均值图像分割方法

说明书

技术领域

本发明属于图像分割领域，特别涉及基于模糊C均值的图像分割方法。

背景技术

由于图像分割可以看成是图像像素的聚类过程，所以聚类方法如模糊C均值（Fuzzy C-Means，FCM）可以直接应到图像分割领域。但当图像存在模糊、噪声时，对像素的直接聚类往往无法得到令人满意的效果。为了提高FCM的分割性能，很多研究人员在原始FCM中引入图像的空间位置关系。Tolias和Panas使用Sugeno型规则系统对待分割图像施加空间连续性约束。Pham通过在FCM的目标函数中引入模糊隶属度的空间约束，使得像素的模糊隶属度具有空间平滑性。近些年，Chen等人在KFCM目标函数中分别引入隶属度约束和空间约束，从而进一步提高了算法的有效性和鲁棒性。

通过在FCM的目标函数中引入图像的空间约束项，Ahmed等人提出了空间约束的FCM（FCM_S）。与FCM相比，FCM_S不仅利用像素本身的信息而且还利用邻域像素的信息来确定类标号，因此可以得到优于FCM的分割结果。但也正因为考虑了这种空间约束，FCM_S在其迭代过程中必须对每个像素的所有邻域像素进行操作，导致其计算过程非常耗时。为了降低FCM_S的计算复杂度，Chen和Zhang提出了基于FCM_S的两个变形算法，FCM_S1和FCM_S2。由于这两个算法在目标函数中分别引入了均值滤波图像和中值滤波图像，因此在聚类过程中仅需要对邻域均值或中值进行操作，而无需对图像邻域进行操作，从而节约了聚类过程的时间。

最近，Szilágyi等人提出了增强型FCM（Enhanced FCM，EnFCM）来加速图像的分割过程。对灰度图像而言，其像素灰度级的个数Q（通常是256）远远小于图像像素的个数N。利用这个特性，EnFCM设计出快速FCM，其时间复杂度从O(NcI₁)降至O(QcI₂)，其中I₁和I₂分别为原始FCM和快速FCM的迭代步数。不同于FCM_S及其变形，EnFCM算法分为两步：第一步，利用原图和均值滤波图像构造出一个线性加权图像；第二步，对线性加权图像的灰度直方图而不是像素本身进行聚类。与FCM_S相比，EnFCM在不损害分割性能的前提下，大大降低了FCM_S型算法的时间复杂度。

但上述FCM_S,FCM_S1,FCM_S2和EnFCM都涉及到参数α，而参数α的选择既非常重要又非常困难。其重要性体现在：α的取值不仅影响算法对噪声的容忍程度而且影响算法对图像细节信息的保持。其困难性表现在：α的取值是噪声依赖的，但现实中噪声的类型和强度往往是未知的，从而导致用户只能用非常繁琐的试错方法来选取α，增加了计算负担。即使噪声的类型和强度已知，α的选取依然是个非常棘手的问题。当图像中存在被噪声污染严重的像素时，α的值要设置的足够大，才能抵御这些噪声点的影响，但对于同幅图像中没有被噪声污染过或轻度污染的像素，过大的α不可避免地导致这些像素的信息丢失或被模糊。所以，在分割过程中，对所有的邻域窗口都设置同样大小的α是不合理的。

发明内容

为了克服参数α的缺点并进一步提高分割性能，本发明提出了一种结合图像邻域信息的快速鲁棒模糊C均值图像分割方法（Fast Generalized Fuzzy C-Means incorporating local information，FGFCM），能够大大减小图像分割过程的时间复杂性。

为实现上述发明目的，本发明所采用的技术方案如下：

一种结合邻域信息的快速鲁棒模糊C均值图像分割方法，包括以下步骤：

步骤1：对所有的邻域窗口，计算邻居像素与中心像素的相似性度量S_ij，