[发明专利]一种基于模糊c均值聚类的比色传感器阵列图像分割方法

说明书

本发明公开了一种基于模糊c均值聚类的比色传感器阵列图像分割方法，包括以下步骤：通过图像的灰度分布直方图信息确定初始聚类中心及聚类数目，对图像进行初始分割，得若干区域，再对各区域进行标记，并确定区域之间的相邻关系，以建立区域邻接图，然后根据相邻区域之间的灰度差及边界梯度，计算各区域之间的积分距离度量，得区域邻接图中各边的权值，最后根据区域间的权值及面积将能够合并的区域合并成多叉树结构，得最终的分割结果，完成基于模糊c均值聚类的比色传感器阵列图像分割方法，该方法能够对比色传感器阵列图像进行分割，且分割效果较好，分割效率及自动化程度高。

技术领域

本发明涉及一种比色传感器阵列图像分割方法，具体涉及一种基于模糊c均值聚类的比色传感器阵列图像分割方法。

背景技术

图像分割是一项重要的图像分割技术。从窄图像处理到图像分析是一个关键的步骤。它的主要目的是根据图像中的特征将图像分成几个具有不同特征的有意义的区域。图像分割在图像工程中起着重要的作用。一方面，它从原始图像中提取信息，将图像转换成更抽象、更紧凑的数据，对后续各种数据测量产生重要影响。另一方面，通过图像分割得到的数据是参数测量、特征提取和目标表达的基础，使图像分析和图像理解等更高层次的图像处理技术成为可能。

随着数字时代的到来，大部分的图像信息可以以数字信息的格式存储，数字信息是电子图像的组成部分。电子图像的本质是一系列编码矩阵，每个编码矩阵代表一个像素的属性值。因此，图像分割的过程实质上就是对具有不同属性的元素进行分类的过程。聚类分析可以对相同的属性进行分类，区分不同的属性，适用于图像分割。此外，聚类分析在分割图像时不需要太多的先验知识；它根据图像本身的性质分割图像。

在真实图像的分割过程中，经常会出现不同区域之间像素不一致的问题，这说明图像分割存在模糊性。模糊集理论能够很好地描述阵列图像分割中的模糊性，有助于解决阵列图像分割中的模糊问题。因此，模糊集理论逐渐被应用到图像分割中。

传统的比色传感器阵列图像分割算法效率与自动化程度低下，存在噪声敏感问题，容易受到环境的干扰，分割效果较差。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于模糊c均值聚类的比色传感器阵列图像分割方法，该方法能够对比色传感器阵列图像进行分割，且分割效果较好，分割效率及自动化程度高。

为达到上述目的，本发明所述的基于模糊c均值聚类的比色传感器阵列图像分割方法包括以下步骤：

通过图像的灰度分布直方图信息确定初始聚类中心及聚类数目，对图像进行初始分割，得若干区域，再对各区域进行标记，并确定区域之间的相邻关系，以建立区域邻接图，然后根据相邻区域之间的灰度差及边界梯度，计算各区域之间的积分距离度量，得区域邻接图中各边的权值，最后根据区域间的权值及面积将能够合并的区域合并成多叉树结构，得最终的分割结果，完成基于模糊c均值聚类的比色传感器阵列图像分割方法。

基于FCM算法对图像进行初始分割。

区域邻接图表示区域之间的关系，区域邻接图定义为无向图G，即

G＝(V,E,W) (12)

其中，V为图像中所有区域的集合，E为图像中每个区域的边缘集合，W为图像中所有区域边缘的权值集合。

通过灰度分布直方图的信息，将像素集中的不同峰值区域划分为不同的簇，以确定簇的数量c，然后通过计算聚类的灰度值确定初始聚类中心，最后将簇的数量c及初始聚类中心输入到FCM算法中，通过FCM算法对图像进行初始分割，完成对图像进行初始分割。

将n个向量x_j分为c个组G_j进行聚类，FCM算法的目标函数为：