[发明专利]一种基于加权鲁棒FCM聚类的图像分割方法及系统

说明书

本发明公开了一种基于加权鲁棒FCM聚类的图像分割方法及系统，属于图像分割技术领域，包括以下步骤：S1：输入待分割图像矩阵，定义目标函数并初始化优化模糊聚类方法目标函数中的各参数；S2：基于目标函数最小化，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵；S3：判断优化的模糊聚类方法是否满足迭代停止条件，否则继续迭代执行步骤S2，是则根据隶属度最大准则标记每个像素点，完成图像分割。本发明考虑了每个像素点属于不同类别的不同重要性，大大增强了算法对噪声点和奇异点的鲁棒性，从而提高了聚类的精度，解决了传统FCM算法在较高噪声环境下无法有效进行图像分割的技术问题，具有鲁棒性强和稳定性高的优点。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于加权鲁棒FCM聚类的图像分割方法及系统。

背景技术

图像分割是将一幅图像分割成一组互不相交的子区域，同一区域内部具有相似的特性，这里的特性可以是颜色、灰度、纹理等。图像分割是计算机视觉、模式识别、图像处理等领域的最重要的基础环节，它是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。

模糊C-均值聚类方法(Fuzzy C-Means，FCM)是应用最为广泛的图像分割方法之一。传统FCM算法的目标函数E为：

n为待分割图像中像素点个数，c为待分割图像的聚类数目，u_ik表示第k各像素点x_k隶属于第i个聚类的程度，p为隶属度加权指数，d²(x_k,v_i)表示像素点x_k与第i个聚类中心v_i之间的欧氏距离。

然而，在传统的FCM聚类算法中，每个数据和每个特征均被同等对待，即使某个数据点为噪声点，在较高噪声环境下无法有效进行图像分割的。为此，提出一种基于加权鲁棒FCM聚类的图像分割方法。

发明内容

本发明所要解决的技术问题在于：如何解决传统FCM算法在较高噪声环境下无法有效进行图像分割的技术问题，提供了一种基于加权鲁棒FCM聚类的图像分割方法，该方法考虑每个像素点属于不同类别的不同重要性，大大增强了算法对噪声点和奇异点的鲁棒性。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：输入待分割图像矩阵，定义目标函数并初始化优化模糊聚类算法目标函数中的各参数；

S2：基于目标函数最小化，计算更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵；

S3：判断优化的模糊聚类算法是否满足迭代停止条件，否则继续迭代执行步骤S2，迭代更新模糊隶属度矩阵、特征权值矩阵、数据重要性矩阵和聚类中心矩阵，是则根据隶属度最大准则标记每个像素点，完成图像分割。

更进一步地，在所述步骤S1中，目标函数为：

在上式中n为待分割图像中像素点个数，m为像素点特征个数，c为待分割图像的聚类数目，其为聚类中心矩阵，v_ij表示第i个聚类中心的第j个特征值；为隶属度矩阵,u_ik表示第k各像素点x_k隶属于第i个聚类的程度；为数据重要性矩阵，w_ik表示像素点x_k对于第i个聚类的重要性；为特征权值矩阵，r_ij表示第j个特征对于第i个聚类的重要性；θ为数据可靠性系数，δ，ε为两个正则化系数，其中：

r_ij∈[0,1],u_ik∈[0,1],w_ik∈[0,1]

1≤i≤c,1≤k≤n，1≤j≤m。