[发明专利]基于粗糙集的快速抑制模糊聚类的图像分割方法

说明书

本发明提出了一种基于粗糙集的快速抑制模糊聚类的图像分割方法，用于解决现有图像分割方法运行速度慢、分割正确率低和对噪声的鲁棒性差的技术问题，其实现步骤是：1.输入一幅待分割的图像I1；2.求取图像I1中像素点xi的局部信息的加权均值和非局部信息的均值；3.获得重构图像；4.对重构图像的灰度直方图进行聚类；5.判断当前迭代次数是否大于最大迭代次数T，若是，执行步骤6，否则，迭代次数加1，执行步骤4；6.输出所获取的重构图像的隶属度矩阵和聚类中心；7.获得分割图像。本发明提高了图像分割的运行速度和分割正确率，增强了噪声的鲁棒性，可用于人工合成图像、医学图像和自然图像的特征提取和目标识别。

技术领域

本发明属于图像处理领域，涉及一种灰度图像的分割方法，特别涉及一种基于粗糙集的快速抑制模糊聚类的图像分割方法，可用于人工合成图像、医学图像和自然图像的特征提取和目标识别。

背景技术

随着图像处理技术的不断进步，对于图像处理的应用与需求不断提高，而图像分割是图像分析和处理过程中的一个重要步骤，因此研究图像分割方法具有非常重要的意义。图像分割是根据图像的某些特征的相似性准则给图像中的像素点赋值并聚类，使得具有相同类标的像素点具有相似的性质，进而从输入的图像中提取感兴趣的区域或特征的过程。

随着国内外图像分割技术不断发展，研究人员相继提出了许多有效的图像分割方法，应用最广泛的有阈值分割方法和聚类方法。阈值分割方法是一种传统的图像分割方法，该方法的计算量小、实现简单、性能相对稳定，因此成为图像分割中最基本的分割方法，但是因为阈值的使用，使得划分不太准确。聚类方法是一种非常重要的图像分割方法，模糊C-均值聚类方法(FCM)是聚类方法中应用最广泛的，FCM是一种非监督的聚类方法，也是图像分割中最经典的方法之一。FCM算法引进了模糊集的概念，并且不需要给定一个具体的阈值，使得该方法用于图像分割时，能保留更多的图像信息，因而在图像分割领域得到了广泛的应用。FCM算法可以较好地保留图像的原有信息，但由于该方法没有考虑图像的邻域信息，使得分割的正确率低，对噪声的鲁棒性差，且收敛速度慢。

随着现代社会对图像分割结果要求的提高，传统的FCM算法存在分割正确率低，对噪声的鲁棒性差，且收敛速度慢的缺陷，使得该方法所得到的图像分割结果已不能满足要求，研究人员针对这些缺陷做出了一些改进，例如：

F.Zhao等人在Expert Systems with Applications,41(2014)4083-4093上发表了论文“Optimal-selection-based suppressed fuzzy c-means clustering algorithmwith self-tuning non local spatial information for image segmentation”，该论文首先采用非局部空间信息计算每个像素点的灰度值，对图像进行重构；然后计算每个灰度值的隶属度，并组成隶属度矩阵，使用抑制方法对该隶属度矩阵中的部分隶属度进行修改，使得灰度值属于哪个类别更加明显；再计算每个灰度值的聚类中心，并多次迭代，输出聚类结果，最后进行图像分割。该方法通过重构图像减少了噪声的影响，提高了分割的正确率，并通过对隶属度的抑制提高了运行速度，但是对噪声的鲁棒性提高幅度不高、图像分割的正确率和速度提高的效果仍然较差。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提出了一种基于粗糙集的快速抑制模糊聚类的图像分割方法，用于解决现有图像分割方法中存在的运行速度慢、分割的正确率低和对噪声的鲁棒性差的技术问题。

为实现上述目的，本发明采用的技术方案为：

一种基于粗糙集的快速抑制模糊聚类的图像分割方法，包括如下步骤：

(1)输入一幅待分割的图像I1；