[发明专利]基于快速全局K均值的自适应图像分割方法

权利要求书

1.一种基于快速全局K均值的自适应图像分割方法，包括如下步骤：

(1)输入一幅大小为R×Q的待分割的图像，总像素点个数为n，n＝R×Q，设置该待分割的图像聚类数c的搜索范围[c_min,c_max]，并令c＝c_min；

(2)对待分割图像的每一个像素点，用M×M的窗口进行3层小波变换，提取纹理特征x_j,j＝1,...,n；

(3)用改进后的快速全局K均值方法将提取的纹理特征x_j,j＝1,...,n聚成c类，得到聚类中心V＝{v₁,v₂,..,v_c}，v_i是每一类的聚类中心，i=1，...,c；

(4)根据下式求出每一个像素点的纹理特征x_j属于第i类的隶属度u_ij：

uij=((Σf=1cdi,jdf,j)2m-1)-1,]]>

其中d_i,j为x_j与第i类聚类中心v_i的欧氏距离，d_f，j为x_j与第f类聚类中心v_f的欧氏距离j＝1,2,...,n，f，i=1,2,...,c，m是模糊参数，取m=2；

(5)根据隶属度u_ij和聚类中心V，计算聚类数为c，c-1，c-2分别对应的有效性指标L(c),L(c-1),L(c-2)：

L(z)=Σi=1c(Σj=1nuijm)||vi-x||2/(z-1)Σi=1c(Σj=1nuijm)||vi-x||2/(n-z),z=c-2,c-1,c]]>

其中，x中间变量，x=Σi=1cΣj=1nuijmxjn;]]>

(6)比较有效性指标L(c),L(c-1),L(c-2)的值，如果L(c-1)＞L(c-2)且L(c-1)＞L(c)，则最佳类别数c_opt＝c-1，并输出最佳类别数c_opt对应的分割结果，否则，令c=c+1，转至步骤(3)。

2.根据权利要求1所述的基于快速全局K均值的自适应聚类方法，其中步骤(3)所述的用改进后的快速全局K均值方法将提取的纹理特征x_j,j＝1,...,n聚成c类，按如下步骤进行：

3a)计算所有纹理特征的均值，并将其作为第一类的初始聚类中心w₁，其中n为图像总像素点个数；

3b)设置初始聚类中心的数目k：k=1；

3c)判断k+1是否大于图像聚类数c，如果k+1>c，则输出聚类中心V＝{v₁,v₂，...,v_c}，v_i是每一类的聚类中心，i=1，...,c，否则，进入下一步骤；

3d)计算第t类中的每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)，

d(x_θ,w_t)＝||x_θ-w_t||²，

其中，||·||表示取模，θ＝1,...,N_t，t=1，...,k，N_t是第t类中所有纹理特征的个数；

3e)根据第t类中的每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)，计算第t类的平均距离d_t：

dt=Σθ=1Ntd(xθ,wt)Nt;]]>

3f)根据第t类中的每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)及其平均距离d_t，计算第t类的半径γ_t：

γt=dt(1+ϵk(max1≤θ≤Nt(d(xθ,wt))dt-1)),]]>

其中，ε为常数，取值为ε=0.001；

3g)比较第t类中每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)和半径γ_t的值，如果d(x_θ,w_t)＜γ_t，则保留该纹理特征，并标记为纹理特征x_β，否则，舍弃该纹理特征，β＝1,...,h，t＝1，...,k，h是保留的纹理特征的个数；

3h)对保留的h个纹理特征，计算每一个保留纹理特征x_β与其他纹理特征x_α的距离q_β(x_α,x_β)：

q_β(x_α,x_β)＝0.6||x_α-x_β||²，α,β＝1，...,h,α≠β；

3i)对保留的每一个纹理特征x_β，求出q_β(x_α,x_β)<g_β的所有纹理特征的均值y_β，其中，g_β是保留的纹理特征x_β与其所在类的初始聚类中心的欧氏距离；

3j)计算每一个纹理特征均值y_β的评价值b_β，并将最大的b_β所对应的纹理特征均值y_β作为下一个类的初始聚类中心w_k+1，β＝1,...,h：

bβ=Σδ=1hmax(gβ-||yβ-yδ||2,0);]]>

3k)更新聚类中心：根据初始聚类中心w₁,w₂,...,w_k+1，用K-means方法计算新的聚类中心v₁,v₂，...,v_k+1，令w_λ＝v_λ，λ＝1,2,..,k+1，并令k＝k+1，返回步骤3b)。