[发明专利]一种融合邻域信息的模糊聚类方法

说明书

本发明公开了一种融合邻域信息的模糊聚类方法，包括，第一步，对图像进行处理，将用作聚类的图像数据信息由单一测度扩充为三层测度；第二步，改进模糊C均值算法，并为隶属度矩阵添加先验知识概率因子项；第三步，在目标函数上添加隶属度差异惩罚项；第四步，对图像进行聚类分割。通过本发明提高对噪声的鲁棒性，有效的剔除干扰区域，分割出图像中的显著区域，同时降低时间复杂度。

技术领域

本发明涉及图像处理技术领域，涉及图像分割。

背景技术

图像分割在图像识别和计算机视觉中是关键的预处理过程,很多算法已经被提出并应用在对象分割以及特征提取中。然而，鲁棒性强和高效的图像分割算法的设计还是一个非常具有挑战性的研究课题。它的目标是将相似和邻近的像素以图像分割成相应结构连贯的元素。根据图像中像素的灰度值、纹理、颜色等将图像分为若干个互不相干的区域，每个区域内部均有其相似性，不同的区域又互有差异。图像分割可以认为是基于同质性或异质性准则将一幅图像划分为若干有意义的子区域的过程。

由于待分割模型不尽相同，因此不同模型所适合的分割方法也各有优缺点。现如今，图像分割方法主要有如下几类：基于边缘检测分割法，基于阈值分割法，基于区域分割，基于形态学分水岭分割法，基于聚类分割法，基于神经网络或根据超像素等特定理论的分割方法等。由于图像分割大多数都是在像素级基础上进行图像分割处理，需要根据图像中像素的灰度、颜色、纹理等特征，因此不可避免的对噪声敏感，容易产生很多孤立的分割点，很难找到精确的区域分割边缘，然而对医学图像的处理就需要算法鲁棒性强，精准度高。

近些年，模糊聚类被广泛的应用在人工智能、模式识别、图像处理中。模糊C-均值算法(Fuzzy C-Means,FCM)在1973年被Dunn首次提出并发展成为一种经典的模糊聚类算法，是图像分割中快速有效的方法之一，该方法将所选取样本到聚类中心误差平方与准则函数作为目标函数进行聚类，作为一个典型的无监督技术FCM已经成功的应用在模式识别和数据挖掘中，但是FCM算法进行图像分割时存在明显的缺陷，它只考虑颜色信息而没有考虑任何空间信息。为了解决这个问题，Ahmed等人在传统FCM的基础上引入了一个空间信息邻域项，提出了一种将空间邻域信息与模糊C均值算法相结合的算法(FCM_S),该算法对噪声有一定的抑制效果，但算法复杂度高。为了解决该问题，Chen等人将邻域均值信息，以及邻域中值信息融入到算法当中，提出了FCM_S1和FCM_S2算法。这两种空间限制信息都是局部空间信息，如果图像被噪声污染严重，那么图像的局部空间信息也将受到很大的影响。然而，图像中的每个像素点的都存在很多像素点与其含有相似的邻域结构，我们将其称之为非局部空间信息，当图像被噪声污染时，它的作用比局部空间信息更大。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有技术中存在的问题，提出了本发明。

因此，本发明其中一个目的是提供一种融合邻域信息的模糊聚类方法。

为解决上述技术问题，本发明提供如下技术方案：一种融合邻域信息的模糊聚类方法，包括，第一步，对图像进行处理，将用作聚类的图像数据信息由单一测度扩充为三层测度；第二步，改进模糊C均值算法，并为隶属度矩阵添加先验知识概率因子项；第三步，在目标函数上添加隶属度差异惩罚项；第四步，对图像进行聚类分割；其中，所述改进模糊C均值算法后，相应改进后的目标函数为：

通过迭代获得隶属度与聚类中心后，更新公式为：

根据隶属度矩阵以及聚类中心完成对图像的分割，记录时间以及计算图像分割精确率。