[发明专利]利用空间信息约束的稀疏子空间模糊聚类的图像分割方法

说明书

本发明公开一种利用空间信息约束的稀疏子空间模糊聚类的图像分割方法，1)利用超像素分割将图像预分割为超像素块，并计算每一个超像素块的Gabor特征描述子以及通道特征描述子；2)设计算法模型，将模糊聚类中的隶属度约束加入到基于稀疏子空间聚类方法，将稀疏自相关系数同隶属度一起交替更新，同时完成寻优；3)设计空间信息约束形式，将邻域约束加至上述算法设计模型中。本发明方法可获得更精确的自表示系数；可有效地解决灰度不均匀的影响；可同时根据两种不同的特征对图像进行分割；提高了图像分割的准确率；在红外图像、可见光图像上均获得较好效果，可广泛应用于各类基于图像的应用系统，具有广阔的市场前景与应用价值。

(一)技术领域

本发明涉及一种利用空间信息约束的稀疏子空间模糊聚类的图像分割方法，属于数字图像处理领域，主要涉及图像分割技术。在各类基于图像的应用系统中有广阔的应用前景。

(二)背景技术

聚类方法通过利用像素间信息进行相似性分析在图像分割中得到了良好的效果，被广泛应用。聚类分析由于其无监督的特性，成本较低，得到了广泛的应用与研究，而无监督的方法的关键在于如何利用图像中的信息。当前应用较为广泛的聚类方法大多是基于图像像素点的相似性以及空间相似性。然而由于真实世界的复杂性，像素点中表达的信息同区域内信息表达不一定一一匹配，例如：红外图像通常存在对比度低、信噪比低、视觉效果模糊以及灰度分布与目标反射无线性关系等问题。如何对含噪图像、灰度不均图像进行有效地分割是基于聚类分割方法的重要问题。为了更好地解决复杂场景的聚类问题，基于模糊的聚类方法以及基于子空间的聚类方法收到了学术界的广泛关注。基于模糊C均值聚类方法(参见文献：贝兹德克等，模式分类中的模糊数学，康奈尔大学博士论文，1973.(J.C.Bezdek.Fuzzy Mathematics in Pattern Classification[D].Ph.D.New York,1973.))是一种经典的基于模糊理论的图像分割方法，通过求解像素隶属度来判断像素的归属问题，但是由于该方法只考虑像素的灰度特征，使得其对含噪图像的分割表现结果较差。近年来在基于模糊C均值聚类方法的基础上有三个方面改进：第一个是针对模糊C均值聚类方法在聚类时可能受到噪声等数据模糊现象影响的改进，主要思路是引入更多的约束来限制噪声的干扰，代表方法有：基于邻域约束的模糊聚类算法(参见文献：艾哈迈德等，一种改进的模糊C均值算法用于核磁共振图像数据的偏置估计和分割，电气与电子工程师协会医学成像学报，2002,21(3).(Ahmed M N,Yamany S M,Mohamed N,et al.A modifiedfuzzy C-means algorithm for bias field estimation and segmentation of MRIdata.[J].IEEE Transactions on Medical Imaging,2002,21(3):193-199.))，该算法对于噪声比较严重的图像的分割具有较好的效果，但是该方法比较依赖参数的选择和调节，不同噪声等级的图像需要调节不同的参数去实现分割，而且该算法容易损失图像重要细节。无聚类中心的算法(参见文献：丁俊迪等人.模糊C均值重审：一种无聚类中心的形式.中国模式识别会议，2010:1-5.(J.Ding,R.Ma,X.Hu,J.Yang,and S.Chen,“Fuzzy c-MeansRevisited:Towards A Cluster-Center-Free Reformulation”,.in Proc.ChineseConf.Pattern Recognit.,Chongqing,China,pp.1-5,2010.))，该算法将所有数据点的都利用起来去算数据点与类别之间的相似性，利用了图像中更多隐含的信息。第二个是针对模糊C均值算法在聚类中出现的确定问题的改进，代表方法有基于直觉信息的模糊C均值聚类算法(琪娅拉等，一种新的直觉模糊C均值聚类算法及其在医学图像中的应用，应用软计算期刊，2011,11(2):1711-1717.(Chaira T.A novel intuitionistic fuzzy C meansclustering algorithm and its application to medical images[J].Applied SoftComputing,2011,11(2):1711-1717.))通过将犹豫度和直接模糊熵引入到聚类的迭代流程中，能够得到更加准确的聚类中心；该算法在CT脑图像分割中表现较好，但是，该算法并没有显式、隐式地考虑任何空间信息，对于噪声或者异常值仍然比较敏感。第三个是针对模糊C均值算法中使用特征单一，欧式距离无法全面衡量类别差异的改进，代表方法有中性核C均值聚类算法(亚曼等，KNCM：中性核C均值聚类算法，应用软计算期刊，2016:S1568494616305117.(Akbulut Y,Abdulkadir,Guo Y,et al.KNCM:KernelNeutrosophic c-Means Clustering[J].Applied Soft Computing,2016:S1568494616305117.))，该方法的主要思想是将类别分为“决定类”和“边缘区域类”和“噪声”类，每一类都有相应的隶属度的值。基于稀疏空间的聚类算法(伊桑等，稀疏子空间聚类:算法、理论和应用，电气与电子工程师协会模式分析与机器智能学报，2012，2765-2781.(Elhamifar E,Member S,Sparse Subspace Clustering:Algorithm,Theory,andApplications[J].IEEE Transactions on Pattern Analysis and MachineIntelligence 35(11),pp.2765-2781,2012.))可以有效地利用高维信息，将低维子空间信息从高维信息中抽取出来，目前常应用于人脸识别等领域。一般来讲，由于图像中场景复杂性，在图像分割中会遇到各种各样的问题，例如信噪比低、灰度不均、特征非线性等等，为了解决图像分割中噪声、灰度不均、非线性特征等问题，本发明提出了一种利用空间信息约束的稀疏子空间模糊聚类的图像分割方法。