[发明专利]一种改进的模糊聚类图像分割方法

说明书

本发明涉及一种改进的模糊聚类图像分割方法，包括以下步骤：步骤一、初始化图像分割模糊聚类的各个参数：确定聚类类别数c和模糊参数b，设置迭代停止阈值ε＞0，迭代次数l＝0，并初始化各个点的隶属度U⁽⁰⁾；步骤二、计算图像的各个聚类中心点；步骤三、计算图像各点的隶属度；步骤四、查看迭代停止条件。本发明技术方案，具有运算速度更快、分割精度更高的技术效果。

技术领域

本发明涉及一种图像分割方法，更具体的说是一种模糊聚类图像分割方法。

背景技术

在传统分类方法中，数据集的分类是依据数据中的某些特性来进行分类，每个数据点将被归属于其中一类，此分类法被称为硬式分类法。然而数据点有时并非完全隶属于某一类，而是存在于两类或大于两类之中。自从Zadeh(1965)提出模糊集的想法，使用隶属函数来描述数据隶属某类的程度，其程度并不限定隶属于一类，可同时隶属多类或多集合，只是程度上的问题，也就是说，将数据集给予模糊分割，使数据分类更具弹性且更具合理化。至今，模糊集的概念已被广泛地研究，应用在图像分割等许多领域。在模糊分类文献里，模糊c-均数(fuzzy c-means,FCM)分类算法是最常使用的方法。但该算法也存在着诸多缺点，如：运算开销大，初始设定条件多，对噪声比较敏感等，这些问题制约了FCM算法的进一步应用。因此，很有必要对该算法进行改进。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种运算速度更快、分割精度更高的改进的模糊聚类图像分割方法。

为实现上述目的，本发明提供了如下技术方案：

模糊C-均值聚类算法于1974年由Dunn最先提出，由Bezdek推广到更普遍的形式，并建立了模糊C-均值聚类理论。FCM算法的应用非常广泛，可应用于信息检索与分类、生物学、气候学、心理学、医学和商业等多个领域。其算法步骤如下：

一、算法初始化：确定聚类类别数c和模糊参数b，设置迭代停止阈值ε＞0，迭代次数l＝0，并初始化各个点的隶属度U⁽⁰⁾；

二、根据式(1)计算各个聚类中心点m_j，

式(1)

三、根据式(2)计算各个隶属度，更新U^(l)→U^(l+1)，

式(2)

四、查看迭代停止条件，若||U^(l)-U^(l+1)||＜ε，停止迭代，否则l＝l+1，转到步骤二。

截断阈值模糊C-均值聚类算法(Alpha-Cut Implemented Fuzzy ClusteringAlgorithms，简称FCMα算法)由杨敏生等提出，其实质是在传统FCM算法基础上加入了对隶属度的修正。FCMα算法引入阈值参数α(0.5≤α≤1)，在FCM算法的步骤(2)和步骤(3)之间跟每个数据点的最大隶属度进行比较，若最大隶属度大于α，那么最大隶属度等于1，其它隶属度都等于0，否则各隶属度不变化。FCMα算法步骤如下：

一、算法初始化：确定聚类类别数c和模糊参数b，设置迭代停止阈值ε＞0，迭代次数l＝0，并初始化各个点的隶属度U⁽⁰⁾，给定隶属阈值参数α(0.5≤α≤1)；

二、根据式(1)计算各个聚类中心点m_j；

三、根据式(2)计算各个隶属度，更新U^(l)→U^(l+1)；

四、如果那么

五、查看迭代停止条件，若||U^(l)-U^(l+1)||＜ε，停止迭代，否则l＝l+1，转到步骤二。