[发明专利]一种鲁棒性的FCM图像分割方法

说明书

本发明公开了一种鲁棒性的FCM图像分割方法，包括：设定模糊指数、迭代停止阈值和最大迭代次数，并初始化聚类个数和邻域窗口；初始化隶属度，并计算第0次迭代的聚类中心；根据样本点与初始的聚类中心的灰度值差计算模糊因子；利用模糊因子计算迭代的隶属度；重新计算迭代的聚类中心；判断迭代前后的隶属度值差小于迭代停止阈值或者迭代次数超过最大迭代次数时，则完成图像分割并输出分割后的图像；否则重复进行下一次迭代直至满足该条件为止。本发明构建新的模糊因子，充分利用了局部空间信息和灰度值信息，并且直接作用在原图像上，尽最大可能的保存了原始图片的细节，增强对噪声的鲁棒性。尤其在高噪声的情况下，本发明的优越性更能突出。

技术领域

本发明属于图像分割技术领域，是一种鲁棒性的FCM图像分割方法。

背景技术

图像分割是图像处理和计算机视觉的一个重要过程。图像分割就是把图像分割成若干个特定的，具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割主要分为下面几类：基于阈值的分割方法，基于区域的分割方法，基于边缘的分割方法以及基于聚类的分割方法。模糊聚类即FCM算法是聚类分割方法的一种，它由Dunn提出并由Bezdek推广，目前已成功运用在医学图像处理，人工智能，模式识别等各个方面。

传统的FCM在硬分类的基础上添加了隶属度函数，使得每个样本点不再属于某一确定的类，而是以一定的百分比隶属于不同的类。这就使得传统的FCM较硬分类来说，能够保持更多的图像信息。但是传统的FCM并没有考虑到周围邻域的信息，使得FCM算法对噪声非常的敏感。FCM_S算法在FCM的基础上考虑了周围邻域的信息，使得中心点的类别受周围邻域点类别的影响，这大大增强了算法对噪声和奇异点的鲁棒性。但是，算法在每次迭代过程中都要对周围邻域点进行计算，使得算法非常耗时。EnFCM和FGFCM算法将原始图片和它的局部邻域做一个权值运算，得到一个新的线性权值图片，然后再按照像素灰度级对图片进行聚类，这使得聚类算法速度得到很大的提高。

但是，由于先做一个权值运算会模糊掉图像的细节部分，而且除了原始的FCM算法外，每个算法都有一个参数控制，参数的选择需要经验和大量的实验来确定。FLICM算法不需要任何人为设定的参数，而且加入了局部空间和局部灰度值信息使得算法在保持图像细节的同时还对噪声具有一定的鲁棒性。但是，在噪声比例较大的情况下，FLICM算法并不能实现很好的聚类。

因此为了克服现有技术的上述缺陷，本发明提出了一种鲁棒性的FCM图像分割方法。本发明提出了一个新的基于模糊隶属度的空间距离约束模糊因子，将该因子引入FCM算法中，该模糊因子具有强噪声的高鲁棒性，而且对噪声图像分割后的图像边缘细节部分也能保持较好。实验验证本发明不仅能够在低噪声的情况下实现很好的聚类，而且在高噪声的情况下，其聚类效果也比FCM及其改进的算法更好。

发明内容

本发明提出了一种鲁棒性的FCM图像分割方法，包括如下步骤：

步骤a：输入一张含有噪声的待处理图像；

步骤b：设定模糊指数m、迭代停止阈值ε和最大迭代次数maxIter，并初始化聚类个数c和邻域窗口大小W；

步骤c：利用0至1之间的随机数初始化隶属度U₀，并利用初始的隶属度U₀计算第0次迭代的聚类中心V₀；所述聚类中心V₀包含c个聚类中心；

步骤d：对于第iter次迭代，iter＝1,2,…,maxIter，利用所述待处理图像的样本点与聚类中心V_iter-1的灰度值差以及所述隶属度U_iter-1和空间欧式距离，计算第iter次迭代的模糊因子G_iter；