專利名稱：：基于模糊c均值聚類和空間信息的多尺度紋理圖像分割方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，特別涉及一種紋理圖像分割方法，可應(yīng)用于紋理圖像以及包含紋理信息的圖像，如合成孔徑雷達(dá)SAR、遙感圖像和醫(yī)學(xué)圖像的分割。
背景技術(shù)：
：在圖像處理和計(jì)算機(jī)視覺研究中，紋理圖像分割是最經(jīng)典的方法。其在圖像分類、圖像檢索、圖像理解、目標(biāo)識(shí)別等很多問題中起著關(guān)鍵作用。模糊C均值FCM算法在聚類分割方法中是最受歡迎的方法之一。通過引入FCM聚類，出現(xiàn)了很多改進(jìn)算法。傳統(tǒng)的FCM聚類方法通過對(duì)圖像像素和C類中心的目標(biāo)函數(shù)的相似性進(jìn)行優(yōu)化以獲得局部最大值而得到了最優(yōu)聚類，這是由于圖像并沒有考慮到像素的鄰域。該方法對(duì)空間信息的噪聲和該區(qū)域的急劇變化非常敏感。因此，人們提出了很多方法，這些方法都是關(guān)于給傳統(tǒng)的FCM算法增加局部空間信息。2005年，Liew等人提出了一個(gè)空間模糊C均值聚類SFCM算法，該算法的關(guān)鍵是一個(gè)新的多樣性指數(shù)，該多樣性指數(shù)考慮了在N8鄰域內(nèi)中心像素附近的臨近像素的影響，參見A.W.C.Liew,H.Yan,andN.F.Law.Imagesegmentationbasedonadaptiveclusterprototypeestimation[J].IEEETransactionsonFuzzySystems,2005,13(4):444-453。空間信息的結(jié)合使得該算法比傳統(tǒng)的FCM不易于對(duì)噪聲敏感，并且達(dá)到終止的速度更快。此外，為了更好的利用數(shù)據(jù)聚集的特性，Wen等人提出了空間置信聚類算法SCCA把可信度聚類算法和SFCM算法結(jié)合起來，參見P.Wen,L.Zheng,J.Zhou.SpatialCredibilisticclusteringalgorithminnoiseimagesegmentation[C].IndustrialEngineeringandEngineeringManagement,2007IEEEinternationalconference,2007:543-547。由于考慮到部分像素的鄰域信息和特征的數(shù)據(jù)聚合，該方法的性能比SFCM算法更好。傳統(tǒng)的FCM算法為最小化關(guān)于隸屬度和聚類原型的目標(biāo)函數(shù)。在FCM聚類之后，每一個(gè)像素都和一個(gè)類的隸屬度聯(lián)系起來，通過給具有最高隸屬度的類分配像素，就得到了圖像的分割。在基于傳統(tǒng)的FCM分割算法中，假定特征向量是彼此獨(dú)立的，并且它們的空間坐標(biāo)也是獨(dú)立的。事實(shí)上，它們的空間坐標(biāo)之間有一個(gè)很有趣的關(guān)系，即坐標(biāo)臨近于聚類原型坐標(biāo)的像素點(diǎn)很有可能是一個(gè)單一聚類。因而，基于傳統(tǒng)FCM算法的圖像分割方法得到的分割邊緣不夠準(zhǔn)確，區(qū)域一致性也不夠好。因此，需要找到一種能夠充分利用這些空間坐標(biāo)關(guān)系的圖像分割方法，以獲得更高的圖像分割質(zhì)量。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有技術(shù)分割邊緣不準(zhǔn)確和區(qū)域一致性不夠好的不足，提出了一種基于模糊c均值聚類和空間信息的多尺度紋理圖像分割方法，以提高圖像分割的質(zhì)量。本發(fā)明的技術(shù)方案是將輸入圖像中各像素點(diǎn)的空間坐標(biāo)加入到傳統(tǒng)的模糊c均值聚類算法的目標(biāo)函數(shù)中，基于小波變換的多尺度特性，采用自適應(yīng)尺度確定的多尺度圖像分割方法實(shí)現(xiàn)對(duì)紋理圖像的分割。其實(shí)現(xiàn)過程如下(1)輸入一幅大小為WXW的紋理圖像；(2)對(duì)輸入圖像進(jìn)行7V層二維離散小波變換，3^7V^log2(>),得到小波系數(shù)W，并計(jì)算每個(gè)變換尺度處的小波系數(shù)對(duì)應(yīng)的特征向量；(3)采用傳統(tǒng)的模糊C均值聚類算法對(duì)最粗尺度/:7V進(jìn)行分割，得到最粗尺度的初始分割結(jié)果；(4)利用得到的初始分割結(jié)果，計(jì)算在最粗尺度/=W處模糊C均值聚類中的空間坐標(biāo)因子，并將該空間坐標(biāo)因子加入到傳統(tǒng)的模糊C均值聚類算法的目標(biāo)函數(shù)中，實(shí)現(xiàn)對(duì)最粗尺度聚類，得到最粗尺度對(duì)應(yīng)的分割結(jié)果類標(biāo)(5)根據(jù)分割結(jié)果類標(biāo)圖，確定分解尺度J上衡量其類標(biāo)可靠性的標(biāo)記場G」={0,1}，/表示圖像對(duì)應(yīng)的物理坐標(biāo)；(6)根據(jù)標(biāo)記場，采用自適應(yīng)尺度確定的多尺度分割方法，得到下一尺度J二J-1的分割結(jié)果類標(biāo)(7)判斷所得分割結(jié)果類標(biāo)圖是否為最細(xì)尺度《/=0處的分割結(jié)果，如果是尺度/=0處的結(jié)果，則紋理分割結(jié)束；否則，重復(fù)步驟(6)~步驟(7)直到得到尺度《/=0處的分割結(jié)果，并將該分割結(jié)果作為輸入圖像的最終分割結(jié)果輸出。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)1、由于本發(fā)明將空間信息加入到傳統(tǒng)的模糊C均值聚類中，使得模糊C均值聚類算法迭代次數(shù)減少，收斂加快；2、由于本發(fā)明充分考慮了尺度內(nèi)像素點(diǎn)的空間坐標(biāo)關(guān)系，使得分割結(jié)果的邊緣更加準(zhǔn)確；'3、由于本發(fā)明充分利用了多尺度的由粗到細(xì)的傳遞特性，使得分割結(jié)果的區(qū)域一致性更好。仿真實(shí)驗(yàn)表明，本發(fā)明提高了紋理圖像分割結(jié)果的邊緣準(zhǔn)確性，增強(qiáng)了分割結(jié)果的區(qū)域一致性，并提高了分割算法的效率。圖1是本發(fā)明的流程示意圖2是本發(fā)明仿真采用的一幅具有三類紋理的合成紋理圖像；圖3是圖2的真實(shí)分割結(jié)果圖4是采用傳統(tǒng)模糊C均值聚類的單尺度分割方法對(duì)圖2分割得到的分割結(jié)果圖；圖5是采用傳統(tǒng)模糊C均值聚類的多尺度分割方法對(duì)圖2分割得到的分割結(jié)果圖；圖6是采用本發(fā)明對(duì)圖2分割得到的分割結(jié)果圖。具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的具體實(shí)施過程如下步驟l，輸入待分割紋理圖像，其大小為WXW，這些待分割紋理圖像可以是合成紋理圖像，也可以是具有紋理信息的SAR圖像、航拍圖像和醫(yī)學(xué)圖像。步驟2,采用基函數(shù)DB7對(duì)輸入圖像進(jìn)行小波變換，分解層數(shù)為四，得到輸入圖像的小波系數(shù)w。步驟3，計(jì)算每個(gè)變換尺度處的小波系數(shù)對(duì)應(yīng)的特征向量。3a)根據(jù)隱馬爾科夫樹HMT模型，得到每個(gè)變換尺度處小波系數(shù)的父、子尺度間的對(duì)應(yīng)關(guān)系，這種對(duì)應(yīng)關(guān)系以四叉樹結(jié)構(gòu)表示；3b)采用高斯混合模型對(duì)小波系數(shù)逼近，得到小波系數(shù)W的概率密度函數(shù)/(W):<formula>formulaseeoriginaldocumentpage7</formula>式中，；^(w)表示四叉樹中根節(jié)點(diǎn)的狀態(tài)概率，m表示狀態(tài)變量s的不同取值，附=0表示S為"小"狀態(tài)，附=1表示5為"大"狀態(tài)；3c)將每個(gè)系數(shù)W的概率密度函數(shù)/O)的對(duì)數(shù)l0gw(/O))作為特征向量，艮P:<formula>formulaseeoriginaldocumentpage7</formula>式中，《/={1,2,3,4}，表示小波變換對(duì)應(yīng)的分解尺度，/tt表示小波變換水平方向的高頻子帶，Z/Z表示小波變換垂直方向的高頻子帶，i/H表示小波變換對(duì)角線方向的高頻子帶，(/eamre,.,表示尺度J處第/個(gè)小波系數(shù)對(duì)應(yīng)的特征向量。步驟4，采用傳統(tǒng)的模糊C均值聚類算法對(duì)輸入圖像的最粗尺度J-4進(jìn)行分割，得到輸入圖像在最粗尺度的初始分割結(jié)果?；趥鹘y(tǒng)的模糊C均值算法的圖像分割，即通過模糊C均值聚類實(shí)現(xiàn)對(duì)圖像的分割，具體計(jì)算過程是4a)建立關(guān)于隸屬度f/和聚類原型K的目標(biāo)函數(shù)Jf^^，即<formula>formulaseeoriginaldocumentpage8</formula>式中A:=l!.=1v,.是類/的聚類原型，M"給出了像素點(diǎn)A:相對(duì)于聚類原型v,的隸屬度，m是模糊索引，通常取附=2，yk^^^為像素點(diǎn)々對(duì)應(yīng)的特征向量；4b)通過輪換尋優(yōu)的方法求取(l)式中的最小值，其中(l)式的局部最小值條件由下面w"和v,.的新形成的代替值獲得，即<formula>formulaseeoriginaldocumentpage8</formula>式中，、表示類別y的聚類原型。4c)在模糊c均值聚類后，將每一個(gè)像素都與一個(gè)類的隸屬度聯(lián)系起來，通過給具有最高隸屬度的類分配像素，得到輸入圖像最粗尺度處的初始分割結(jié)果。步驟5，利用得到的初始分割結(jié)果，計(jì)算在最粗尺度J-4處改進(jìn)的模糊C均值聚類中的空間坐標(biāo)因子，并采用改進(jìn)的模糊C均值聚類算法對(duì)最粗尺度聚類，得到最粗尺度對(duì)應(yīng)的分割結(jié)果類標(biāo)圖。該步驟的具體實(shí)現(xiàn)如下5a)定義方向集，其中^=0,...,乃一1為各個(gè)搜索方向，D是方向總數(shù)，令^=8;5b)對(duì)最粗尺度處分割區(qū)域p^中的每個(gè)像素點(diǎn)A:，采用LPA—ICI算法計(jì)算以A為中心的各個(gè)方向上具有相同標(biāo)記的長度/z*，得到長度集{《，^=0，...,"—1};5c)將各個(gè)方向上得到的長度《，^=0，...，"-1疊加，得到像素點(diǎn)A的面積，并將該區(qū)域的類別標(biāo)記為/;5d)對(duì)具有相同標(biāo)記的像素區(qū)域，選擇具有最大坐標(biāo)(row,co/)的點(diǎn)作為類z的中心坐標(biāo)，得到各類中心{(row1,co/1)，...,(roWpCo/,)，".，(rovi;c，co/c)};5e)根據(jù)得到的各類中心，按照下式計(jì)算各像素點(diǎn)A的空間坐標(biāo)因子5^/W^:腸^=(H)-(腳,，co/J;式中，^w和^。/分別表示像素點(diǎn)A:的橫坐標(biāo)和縱坐標(biāo)。5f)將各像素點(diǎn)的空間坐標(biāo)因子加入到傳統(tǒng)的模糊C均值聚類算法的目標(biāo)函數(shù)JfTM中，得到新的目標(biāo)函數(shù)JM^M:jm鼎=JlX"e麗a)—巧『+("e麗")mS"一,/t=l!.=1式中，/^^wr^表示像素點(diǎn)A的特征向量，新的迭代隸屬度weww^根據(jù)下式更新，即l々/=1v,.和".分別表示類/和類/的模糊原型集合，均根據(jù)傳統(tǒng)的模糊C均值聚類算法計(jì)算得到。5g)最小化目標(biāo)函數(shù)J^;o^得到最粗尺度處的分割結(jié)果類標(biāo)圖。步驟6，根據(jù)得到的分割結(jié)果類標(biāo)圖，確定分解尺度J上衡量其類標(biāo)可靠性的標(biāo)記場{《]，",e{0,l}，z'表示圖像對(duì)應(yīng)的物理坐標(biāo)。該步驟的具體實(shí)現(xiàn)如下6a)以分割結(jié)果類標(biāo)圖中的一個(gè)分割像素點(diǎn)為中心，確定一個(gè)窗口，并統(tǒng)計(jì)該窗口中屬于各類紋理的類標(biāo)數(shù)目，找出各類紋理對(duì)應(yīng)的類標(biāo)數(shù)目的最大值，當(dāng)該確定窗口的大小Kx巧減去閾值:r小于或等于該最大值時(shí)，將該最大值對(duì)應(yīng)的類標(biāo)賦予當(dāng)前中心點(diǎn)，且設(shè)《.=1，否則，設(shè)a,.=0，該點(diǎn)的標(biāo)記用公式表達(dá)為式中，巧為窗口的長度或?qū)挾?，labelnm^為窗口內(nèi)類標(biāo)統(tǒng)計(jì)數(shù)labdn的最大值，取6b)確定分割結(jié)果類標(biāo)圖中每一個(gè)分割像素點(diǎn)的窗口，并統(tǒng)計(jì)這些窗口中屬于各類紋理的類標(biāo)數(shù)目，找出各類紋理對(duì)應(yīng)的類標(biāo)數(shù)目的最大值，得到分割結(jié)果類標(biāo)圖所有像素點(diǎn)對(duì)應(yīng)的標(biāo)記場{《],《e{0,1}。步驟7,根據(jù)標(biāo)記場，采用自適應(yīng)尺度確定的多尺度分割方法，得到下一尺度J二/一l的分割結(jié)果類標(biāo)圖。該步驟的具體實(shí)現(xiàn)如下-7a)根據(jù)得到的標(biāo)記場(aj,《.e(O,0進(jìn)行自適應(yīng)的尺度確定，=0表示該區(qū)域的尺度沒有確定，=1表示該區(qū)域的尺度已經(jīng)確定；7b)對(duì)尺度已經(jīng)確定的區(qū)域，即標(biāo)記場a,.=1的區(qū)域，將該尺度J-7V上確定類標(biāo)的值和特征向量傳遞到下一尺度上各自的四個(gè)節(jié)點(diǎn)，以維持該區(qū)域的一致性；對(duì)尺度不確定的區(qū)域，即標(biāo)記場《.二0的區(qū)域，計(jì)算下一尺度/二J-l的恃征向量和空間坐標(biāo)因子，從而采用改進(jìn)的模糊C均值聚類算法得到該尺度/的分割結(jié)果類標(biāo)圖和標(biāo)記場。步驟8，判斷所得分割結(jié)果類標(biāo)圖是否為最細(xì)尺度《/=0處的分割結(jié)果，如果是尺度J二0處的結(jié)果，則紋理分割結(jié)束；否則，重復(fù)步驟7~步驟8直到得到尺度《/=0處的分割結(jié)果，并將尺度《/=0處的分割結(jié)果作為輸入圖像的最終分割結(jié)果輸出。本發(fā)明的效果可通過以下仿真進(jìn)一步說明。l.仿真條件與內(nèi)容本發(fā)明的仿真是在windowsXP，SPI，CPU為Pentium(R)4，基本頻率2.4GHz，軟件平臺(tái)為Matlab7.0.1運(yùn)行。仿真選用的原始圖像如圖2所示，它是一幅具有三類紋理特征的合成紋理圖像。2.仿真結(jié)果對(duì)圖2采用傳統(tǒng)模糊C均值聚類的單尺度分割方法進(jìn)行分割，得到不同尺度處的分割結(jié)果，其中，圖4(a)為尺度-3處的單尺度分割結(jié)果，該分割結(jié)果具有很好的區(qū)域一致性，但邊緣輪廓不清晰，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為6.25%;圖4(13)為尺度=2處的單尺度分割結(jié)果，該分割結(jié)果的區(qū)域一致性效果有所降低，但邊緣的清晰度有所提高，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為10.55%;;圖4(c)為尺度=1處的單尺度分割結(jié)果，該分割結(jié)果中在同質(zhì)區(qū)域有較多雜點(diǎn)，而邊緣的準(zhǔn)確性有所改善，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為27.32%;;圖4(d)為尺度=0處的單尺度分割結(jié)果，也是采用傳統(tǒng)模糊C均值聚類的單尺度分割方法對(duì)圖2進(jìn)行分割得到的最終分割結(jié)果，該結(jié)果的區(qū)域一致較差，邊緣輪廓雖能辨認(rèn)出來，但不夠準(zhǔn)確，也不夠清晰，分割效果很不理想，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為42.32%。對(duì)圖2采用傳統(tǒng)模糊C均值聚類的多尺度分割方法進(jìn)行分割，得到不同尺度處的分割結(jié)果，其中，圖5(a)為尺度-3處的多尺度分割結(jié)果，該分割結(jié)果的區(qū)域一致性較好，但邊緣很模糊，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為6.25%;圖5(b)為尺度=2處的多尺度分割結(jié)果，該分割結(jié)果的區(qū)域一致性效果下降，邊緣的清晰度有所提高，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為6.44%;圖5(c)為尺度4處的多尺度分割結(jié)果，該分割結(jié)果中的同質(zhì)區(qū)域含有很多雜點(diǎn)，邊緣準(zhǔn)確度有所提高，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為8.13%;圖5(^為尺度=0處的多尺度分割結(jié)果，也是采用傳統(tǒng)模糊C均值聚類的多尺度分割方法對(duì)圖2進(jìn)行分割得到的最終分割結(jié)果，該結(jié)果中含有大量雜點(diǎn)，區(qū)域一致性很差，邊緣也不清晰，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為10.48%。對(duì)圖2采用本發(fā)明方法進(jìn)行分割，得到不同尺度處的分割結(jié)果，其中，圖6(a)為尺度=3處的本發(fā)明分割結(jié)果，該分割結(jié)果的區(qū)域一致性很強(qiáng)，但邊緣不夠連續(xù)，也不夠準(zhǔn)確，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為4.69%;圖6(1>)為尺度=2處的本發(fā)明分割結(jié)果，該分割結(jié)果具有較好的區(qū)域一致性，邊緣也較連續(xù)，將其與理想分割圖圖3對(duì)比，得到的分割錯(cuò)誤率為5.08%;圖6(c)為尺度4處的本發(fā)明分割結(jié)果，該分割結(jié)果的區(qū)域一致性也較好，邊緣的準(zhǔn)確性和清晰度提高，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為4.66%;圖6(d)為尺度-0處的本發(fā)明分割結(jié)果，也是采用本發(fā)明對(duì)圖2進(jìn)行分割得到的最終分割結(jié)果，該結(jié)果不僅保持了較好的區(qū)域一致性，也具有連續(xù)、準(zhǔn)確、清晰的邊緣，將其與理想分割3對(duì)比，得到的分割錯(cuò)誤率為2.92%。從這些仿真結(jié)果可以看出，傳統(tǒng)模糊C均值聚類的單尺度分割方法對(duì)不同的分割區(qū)域在粗尺度上具有較好的區(qū)域一致性，但在更細(xì)尺度上會(huì)變?cè)?，甚至不能將類別分割出來；傳統(tǒng)模糊C均值聚類的多尺度分割方法的分割結(jié)果雖然在區(qū)域一致性有所改善，但邊緣不夠準(zhǔn)確，也不夠清晰；本發(fā)明的分割結(jié)果則不僅有較好的區(qū)域一致性，也有較準(zhǔn)確、清晰的邊緣，分割效果明顯優(yōu)于傳統(tǒng)模糊C均值聚類的單尺度分割方法和傳統(tǒng)模糊C均值聚類的多尺度分割方法得到的分割結(jié)果，這也可通過對(duì)比每個(gè)分割結(jié)果圖與理想分割圖的錯(cuò)誤率看出。本發(fā)明將空間信息加入到傳統(tǒng)的模糊C均值聚類中，使得到的聚類中心更加準(zhǔn)確，且加快了模糊C均值聚類的收斂速度。表1所示為利用本發(fā)明中的模糊C均值聚類方法法和傳統(tǒng)的模糊C均值聚類方法法對(duì)圖3的最粗尺度分割時(shí)，各自需要的迭代次數(shù)。該表表明本發(fā)明所提方法比傳統(tǒng)的模糊C均值聚類方法收斂得更快。表l運(yùn)用兩種聚類方法對(duì)圖3最粗尺度分割所需的迭代次數(shù)<table>tableseeoriginaldocumentpage12</column></row><table>仿真實(shí)驗(yàn)表明，本發(fā)明同時(shí)保持了粗尺度處較好的區(qū)域一致性和細(xì)尺度處較準(zhǔn)確的邊緣特性，得到較好的分割結(jié)果，且無論從分割誤差還是視覺感知上均比傳統(tǒng)方法更加有效。權(quán)利要求1、一種基于模糊C均值聚類和空間信息的多尺度紋理圖像分割方法，包括如下過程(1)輸入一幅大小為n×n的紋理圖像；(2)對(duì)輸入圖像進(jìn)行N層二維離散小波變換，3≤N≤log2(n)，得到小波系數(shù)w，并計(jì)算每個(gè)變換尺度處的小波系數(shù)對(duì)應(yīng)的特征向量；(3)采用傳統(tǒng)的模糊C均值聚類算法對(duì)最粗尺度J＝N進(jìn)行分割，得到最粗尺度的初始分割結(jié)果；(4)利用得到的初始分割結(jié)果，計(jì)算在最粗尺度J＝N處模糊C均值聚類中的空間坐標(biāo)因子，并將該空間坐標(biāo)因子加入到傳統(tǒng)的模糊C均值聚類算法的目標(biāo)函數(shù)中，實(shí)現(xiàn)對(duì)最粗尺度聚類，得到最粗尺度對(duì)應(yīng)的分割結(jié)果類標(biāo)圖；(5)根據(jù)分割結(jié)果類標(biāo)圖，確定分解尺度J上衡量其類標(biāo)可靠性的標(biāo)記場{ai}，ai∈A，A＝{0，1}，i表示圖像對(duì)應(yīng)的物理坐標(biāo)；(6)根據(jù)標(biāo)記場，采用自適應(yīng)尺度確定的多尺度分割方法，得到下一尺度J＝J-1的分割結(jié)果類標(biāo)圖；(7)判斷所得分割結(jié)果類標(biāo)圖是否為最細(xì)尺度J＝0處的分割結(jié)果，如果是尺度J＝0處的結(jié)果，則紋理分割結(jié)束；否則，重復(fù)步驟(6)～步驟(7)直到得到尺度J＝0處的分割結(jié)果，并將該分割結(jié)果作為輸入圖像的最終分割結(jié)果輸出。2、根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(2)所述的計(jì)算每個(gè)變換尺度處的小波系數(shù)對(duì)應(yīng)的特征向量，按如下過程進(jìn)行(2a)根據(jù)隱馬爾科夫樹HMT模型，得到每個(gè)變換尺度處小波系數(shù)的父、子尺度間的對(duì)應(yīng)關(guān)系，這種對(duì)應(yīng)關(guān)系以四叉樹結(jié)構(gòu)表示；(2b)采用高斯混合模型對(duì)小波系數(shù)逼近，得到小波系數(shù)W的概率密度函數(shù)<formula>formulaseeoriginaldocumentpage2</formula>式中，P,(w)表示四叉樹中根節(jié)點(diǎn)的狀態(tài)概率，w表示狀態(tài)變量s的不同取值，m=0表示s為"小"狀態(tài)，附=1表示s為"大"狀態(tài)；(2c)將每個(gè)系數(shù)w的概率密度函數(shù)/(w)的對(duì)數(shù)logi0(/O))作為特征向量，即:log10(/O))log10(/(—)f式中，《/={1,2，3,4}，表示小波變換對(duì)應(yīng)的分解尺度，HZ表示小波變換水平方向的高頻子帶，丄^表示小波變換垂直方向的高頻子帶，W表示小波變換對(duì)角線方向的高頻子帶，(/eo/Mre,.)J表示尺度J處第/個(gè)小波系數(shù)對(duì)應(yīng)的特征向量。3、根據(jù)權(quán)利要求l所述的圖像分割方法，其中步驟(4)的具體實(shí)現(xiàn)如下(3a)定義方向集{^|^=2^/"，廠=0，.."/)-1}，其中廣=0,...，"一1為各個(gè)搜索方向，D是方向總數(shù)，令1)=8;(3b)對(duì)最粗尺度處分割區(qū)域p^中的每個(gè)像素點(diǎn)A:，采用LPA一ICI算法計(jì)算以A:為中心的各個(gè)方向上具有相同標(biāo)記的長度/^，得到長度集(《，r=O，...,D—O;(3c)將各個(gè)方向上得到的長度《，r二0，…，D—l疊加，得到像素點(diǎn)A:的面積，并將該區(qū)域的類別標(biāo)記為/;(3d)對(duì)具有相同標(biāo)記的像素區(qū)域，選擇具有最大坐標(biāo)(row，co/)的點(diǎn)作為類/的中心坐標(biāo)，得到各類中心Krav^,co/J，…,(rm^，co/,.),…，(roWc，co/c》；(3e)根據(jù)得到的各類中心，按照下式計(jì)算各像素A的空間坐標(biāo)因子<formula>formulaseeoriginaldocumentpage3</formula>(3f)將各像素點(diǎn)的空間坐標(biāo)因子加入傳統(tǒng)的模糊C均值聚類算法的目標(biāo)函數(shù)7Fr^，得到新的目標(biāo)函數(shù)J<formula>formulaseeoriginaldocumentpage3</formula>式中，/efl^^q表示像素點(diǎn)&的特征向量，新的迭代隸屬度weww^根據(jù)下式更新，即-<formula>formulaseeoriginaldocumentpage4</formula>v,.和力分別表示類/和類y'的模糊原型集合，均根據(jù)傳統(tǒng)的模糊C均值聚類算法計(jì)算得到；(3g)最小化目標(biāo)函數(shù)J^^M，得到最粗尺度處的分割結(jié)果類標(biāo)圖。4、根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(5)所述的根據(jù)得到的分割結(jié)果類標(biāo)圖，確定分解尺度J上衡量其類標(biāo)可靠性的標(biāo)記場(fl,]，fl,.e{0,l}，按如下過程進(jìn)行(4a)以分割結(jié)果類標(biāo)圖中的一個(gè)分割像素點(diǎn)為中心，確定一個(gè)窗口，并統(tǒng)計(jì)該窗口中屬于各類紋理的類標(biāo)數(shù)目，找出各類紋理對(duì)應(yīng)的類標(biāo)數(shù)目的最大值，當(dāng)該確定窗口的大小巧x巧減去閾值r小于或等于該最大值時(shí)，將該最大值對(duì)應(yīng)的類標(biāo)賦予當(dāng)前中心點(diǎn)，且設(shè)a,.=1，否則，設(shè)a,.=0，該點(diǎn)的標(biāo)記用公式表達(dá)為<formula>formulaseeoriginaldocumentpage4</formula>式中，巧為窗口的長度或?qū)挾龋琹abeln皿為窗口內(nèi)類標(biāo)統(tǒng)計(jì)數(shù)labdn的最大值；(4b)確定分割結(jié)果類標(biāo)圖中每一個(gè)分割像素點(diǎn)的窗口，并統(tǒng)計(jì)這些窗口中屬于各類紋理的類標(biāo)數(shù)目，找出各類紋理對(duì)應(yīng)的類標(biāo)數(shù)目的最大值，得到分割結(jié)果類標(biāo)圖所有像素點(diǎn)對(duì)應(yīng)的標(biāo)記場{《.}，《.e{0，1}。5、根據(jù)權(quán)利要求l所述的圖像分割方法，其中步驟(6)所述根據(jù)標(biāo)記場，采用自適應(yīng)尺度確定的多尺度分割方法，得到下一尺度《/=J-l的分割結(jié)果類標(biāo)圖，按如下過程進(jìn)行(5a)根據(jù)得到的標(biāo)記場{^,^￡{0,1}進(jìn)行自適應(yīng)的尺度確定，《.=0表示該區(qū)域的尺度沒有確定，=1表示該區(qū)域的尺度已經(jīng)確定；(5b)對(duì)尺度已經(jīng)確定的區(qū)域，即標(biāo)記場a,.=1的區(qū)域，將該尺度J-iV上確定類標(biāo)的值和特征向量傳遞到下一尺度上各自的四個(gè)節(jié)點(diǎn)，以維持該區(qū)域的一致性；對(duì)尺度不確定的區(qū)域，即標(biāo)記場^=0的區(qū)域，計(jì)算下一尺度/=/一1的特征向量和空間坐標(biāo)因子，從而采用改進(jìn)的模糊C均值聚類算法得到該尺度J的分割結(jié)果類標(biāo)圖和標(biāo)記場。全文摘要本發(fā)明公開了一種基于模糊C均值FCM聚類和空間信息的多尺度紋理圖像分割方法，主要解決圖像分割質(zhì)量差的問題。其實(shí)現(xiàn)過程為輸入待分割紋理圖像并對(duì)其進(jìn)行二維離散小波變換，計(jì)算每個(gè)小波系數(shù)對(duì)應(yīng)的特征向量；對(duì)小波變換的最粗尺度分割；計(jì)算最粗尺度各系數(shù)對(duì)應(yīng)的空間坐標(biāo)因子，將其加入到傳統(tǒng)FCM聚類算法的目標(biāo)函數(shù)中，得到該尺度的分割結(jié)果類標(biāo)圖和標(biāo)記場；采用自適應(yīng)尺度確定的多尺度分割方法得到下一尺度的分割結(jié)果類標(biāo)圖，直至得到的分割結(jié)果類標(biāo)圖是最細(xì)尺度處的；將最細(xì)尺度的分割結(jié)果作為最終分割結(jié)果輸出。本發(fā)明具有分割邊緣準(zhǔn)確和分割區(qū)域一致性好的優(yōu)點(diǎn)，可用于對(duì)紋理圖像，以及包含紋理信息的SAR圖像、遙感圖像和醫(yī)學(xué)圖像的分割。文檔編號(hào)G06T7/40GK101551905SQ20091002241公開日2009年10月7日申請(qǐng)日期2009年5月8日優(yōu)先權(quán)日2009年5月8日發(fā)明者彪侯,鳳劉,張向榮,焦李成,翟艷霞,馬文萍申請(qǐng)人:西安電子科技大學(xué)