專利名稱：基于空間加權(quán)隸屬度模糊c-均值的紋理圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及圖像分割，可用于紋理圖像分割和對(duì)SAR圖像的 分割。
背景技術(shù)：
隨著科學(xué)技術(shù)的發(fā)展，人們?cè)絹碓蕉嗟囊詧D像的形式獲得各種信息。圖像分割方 法也成為人們研究的熱點(diǎn)。Shen S禾口 Liew A W提出了基于模糊c_均值(Fuzzy C-Means, FCM)的改進(jìn)算法 并分別應(yīng)用于醫(yī)學(xué)圖像和自然圖像分割，得到了較好的圖像分割結(jié)果，但由于僅考慮灰度 特征因此對(duì)紋理特征明顯的圖像并不能得到理想的分割結(jié)果。Oskoei MA和Omran MG分別將遺傳算法(Genetic Algorithm, GA)和粒子群優(yōu)化 (Particle Swarm Optimization, PS0)算法引入模糊聚類以實(shí)現(xiàn)目標(biāo)函數(shù)的優(yōu)化，應(yīng)用于 自然圖像分割時(shí)得到了較為理想的分割結(jié)果，通過優(yōu)化算法改進(jìn)模糊聚類的數(shù)據(jù)聚類結(jié)果 并應(yīng)用于圖像分割目前得到廣泛關(guān)注。Tian Xiaolin等人提出的基于PSO優(yōu)化空間約束聚類的SAR圖像分割，在部分SAR 圖像的分割中得到了理想的結(jié)果，由于其僅使用多尺度灰度特征，在紋理特征明顯的SAR 圖像中盡管考慮了空間信息仍舊不能得到理想的分割結(jié)果。圖像分割中紋理特征的提取成 為改進(jìn)以上算法的關(guān)鍵。Swagatam Das等人提出的空間加權(quán)隸屬度模型并沒有完全體現(xiàn)空間相鄰像素位 置和紋理信息以及空間信息影響程度。上述的方法并沒有同時(shí)利用紋理特征和空間信息，因此在紋理特征明顯的圖像分 割中并不能得到理想的分割結(jié)果。在利用紋理特征進(jìn)行聚類的過程中，傳統(tǒng)的模糊C-均值(Fuzzy C-Means, FCM)分 割方法并沒有考慮空間信息，因此存在嚴(yán)重的局部錯(cuò)分現(xiàn)象，尤其是邊緣部分錯(cuò)分嚴(yán)重。
發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有方法的缺點(diǎn)，提出了一種基于空間加權(quán)隸屬度模 糊C-均值的紋理圖像分割方法，以改善紋理圖像局部錯(cuò)分現(xiàn)象，提高邊緣分割效果。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下過程(1)輸入待分割圖像，并提取待分割圖像的紋理特征；(2)用每個(gè)像素點(diǎn)的鄰域像素的空間信息和提取的紋理特征信息調(diào)節(jié)該像素點(diǎn)模 糊C-均值聚類的隸屬度，得到調(diào)節(jié)后的隸屬度為Uij = UijHJYjIxUcjKj其中uu表示調(diào)節(jié)前的像素點(diǎn)j隸屬于第i類的隸屬度數(shù)值；C表示聚類數(shù)目，Ucj表示調(diào)節(jié)前的像素點(diǎn)j隸屬于第c類的隸屬度數(shù)值；u' ,j是用空間信息和鄰域紋理信息調(diào)節(jié)后的像素點(diǎn)j相對(duì)于第i類的隸屬度值，Uij^U , U是圖像所有像素點(diǎn)用空間信息和鄰域紋理信息調(diào)節(jié)后的隸屬度組成的矩陣；hcJ表示像素點(diǎn)j隸屬于第c類的空間信息和鄰域紋理信息調(diào)節(jié)系數(shù)；h.j表示像素點(diǎn)j隸屬于第i類的空間信息和鄰域紋理信息調(diào)節(jié)系數(shù)，其表示公式 為:hij = α · u(D)iJ+^ · u(T)iJ式中，α是u(mj的調(diào)控參數(shù)；u(D)iJ表示像素點(diǎn)j隸屬于第i類的空間信息加權(quán)隸屬度，其定義為U(D)IJ式中，s表示鄰域像素?cái)?shù)目，Uik表示像素點(diǎn)j的第k個(gè)鄰域?qū)τ诘趇類的隸屬度 值；cU表示像素點(diǎn)j和它的第k個(gè)鄰域之間的空間距離；β是u(T)ij的調(diào)控參數(shù)；u(T)iJ表示像素點(diǎn)j隸屬于第i類的鄰域紋理信息加權(quán)隸屬度，其定義為 _5] ^-ΣΙ,^λ/ΣΙΛ式中，Xjk是像素點(diǎn)j和它的第k個(gè)鄰域之間的紋理特征的歐氏距離，Xjk = I Xj-Xk 11，這里的Xj和Xk分別表示像素點(diǎn)j和像素點(diǎn)j的第k個(gè)鄰域的紋理特征向量；(3)根據(jù)調(diào)節(jié)后的隸屬度值u' ij，利用下式對(duì)待分割圖像進(jìn)行聚類minJJU,V) = Σ 二 Σ丨其中Jm表示模糊C-均值聚類的目標(biāo)函數(shù)，me (1，⑴)控制模糊度權(quán)重指數(shù)；N表示圖像像素?cái)?shù)，C表示聚類數(shù)目；Xj表示第j個(gè)像素點(diǎn)位置紋理特征；Zi表示第i類的聚類中心Zi eF,V是由聚類中心組成的矩陣；W2(I,Z,)為相似性測度，其表示公式為錢，Zi) = I Ixj-ZiI I ；(4)通過粒子群優(yōu)化對(duì)調(diào)控參數(shù)α和β進(jìn)行更新，優(yōu)化的最大代數(shù)為60 ；(5)判斷是否達(dá)到設(shè)定的循環(huán)結(jié)束條件，如果達(dá)到循環(huán)結(jié)束條件，則分割結(jié)束，把 當(dāng)前的隸屬度值作為圖像分割結(jié)果，否則轉(zhuǎn)到步驟2進(jìn)行下一次循環(huán)，所述的循環(huán)結(jié)束條件，設(shè)定為在5次優(yōu)化中要滿足I之°-^+0IAw ^ 0.0001，其中
表示優(yōu)化的第t代的目標(biāo)函數(shù)值，Ji'+1)表示優(yōu)化的第t+Ι代的目標(biāo)函數(shù)值，t的取值范圍為 [1，59]。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)1)本發(fā)明由于利用了圖像的紋理特征，比起用灰度特征進(jìn)行圖像分割更為有效；2)本發(fā)明不是用紋理特征進(jìn)行簡單的聚類，而是通過空間信息和鄰域紋理信息對(duì) FCM的隸屬度進(jìn)行調(diào)節(jié)，基本消除了局部錯(cuò)分現(xiàn)象，改善了圖像邊緣分割效果；3)本發(fā)明由于采用粒子群優(yōu)化PSO算法，對(duì)FCM聚類算法中隸屬度調(diào)節(jié)公式= α M(D)ij+β ^mij中u(mj的系數(shù)α和umij的系數(shù)β進(jìn)行調(diào)控，有助于獲得良好的分割 結(jié)果。
圖1是本發(fā)明的實(shí)現(xiàn)流程4
圖2是本發(fā)明對(duì)于三幅合成紋理圖像SYN1，SYN2, SYN3分割結(jié)果與現(xiàn)有三種方法 分割結(jié)果對(duì)比圖；圖3是本發(fā)明對(duì)于三幅SAR圖像SAR1，SAR2，SAR3分割結(jié)果與現(xiàn)有三種方法分割 結(jié)果對(duì)比圖。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的具體實(shí)施過程如下步驟1.輸入待分割圖像，提取待分割圖像的紋理特征。本發(fā)明對(duì)待分割圖像提取的紋理特征包括灰度共生特征和小波特征1. 1)灰度共生特征提取在灰度共生特征的提取中，首先計(jì)算待分割圖像中以待提取特征的像素點(diǎn)為中心 的，設(shè)定的特征窗口內(nèi)的圖像子塊的灰度共生矩陣P (u，V，d，θ )，其中U和V表示灰度共生 矩陣計(jì)算中統(tǒng)計(jì)的兩個(gè)像素點(diǎn)的灰度；θ表示提取灰度共生矩陣的方向，θ的選擇為4個(gè) 離散的方向0°，45°，90°，135° ；d表示灰度共生矩陣計(jì)算中統(tǒng)計(jì)的兩個(gè)像素點(diǎn)的距離， 本發(fā)明中取值為1。在灰度共生矩陣的基礎(chǔ)上再提取紋理特征量，稱為二次統(tǒng)計(jì)量。本發(fā)明中從圖像的灰度共生矩陣中抽取以下這些二次統(tǒng)計(jì)量作為
分類識(shí)別的特征系數(shù)α)角二階矩私=Σ二Σ二乂 ；⑵同質(zhì)性
於=Σ:::Σ::>Μ/(1+Η);⑶對(duì)比度=Σ:::Σ::>-ν)2 剩，L-I 表示量
化的灰度等級(jí)。其中，角二階矩在0°，45°，90°，135°上的值用(g1(1，gn，g12，g13)表示， 同質(zhì)性在四個(gè)方向上用(g20, g21, g22, g23)表示，對(duì)比度在四個(gè)方向上用(g3Q，g31，g32，g33)表
7J\ ο1. 2)小波特征提取提取小波特征時(shí)，首先對(duì)待分割圖像中以待提取特征的像素點(diǎn)為中心的，設(shè)定的 特征窗口內(nèi)的圖像子塊沿X方向和y方向分別進(jìn)行一維濾波，把每一尺度分解成四個(gè)子帶 LL、HL、LH和HH，分別表征圖像的低頻信息及水平、垂直和斜方向上的細(xì)節(jié)。按式ν^^Σ ,Σ Χ"7，—分別求出子帶的U范數(shù)，式中，w表示子帶的
Ll范數(shù)，M為子帶系數(shù)的行數(shù)，N為子帶系數(shù)的列數(shù)，MXN為子帶大小，m，η表示子帶中系 數(shù)的索引，coef(m，n)為該子帶中第m行第η列的系數(shù)值。經(jīng)過對(duì)圖像進(jìn)行L層小波變換， 提取得到3L+1個(gè)子帶的Ll范數(shù)，從而得到一個(gè)3L+1維的特征向量Ov W1,…，w3L+1)。本發(fā)明的實(shí)驗(yàn)部分對(duì)于合成紋理圖像采用12維灰度共生特征和對(duì)待分割圖像分 解兩層得到的7維小波特征相結(jié)合得到的19維特征(g1(1，…，g13，g2(1，…，g23，g3(1，…，g33， w0,…，w6)，簡稱為G_W特征。對(duì)于SAR圖像只使用對(duì)待分割圖像分解兩層得到的7維小波 特征(wQ，Wl，…，w6)，簡稱為W特征。步驟2.用每個(gè)像素點(diǎn)的鄰域像素的空間信息和提取的紋理特征信息調(diào)節(jié)該像素 點(diǎn)模糊C-均值聚類的隸屬度，隸屬度的調(diào)節(jié)公式為Uii =UiJhJ Yjc^ucjHcj式中uu表示調(diào)節(jié)前的像素點(diǎn)j隸屬于第i類的隸屬度數(shù)值；
C表示聚類數(shù)目，Ucj表示調(diào)節(jié)前的像素點(diǎn)j隸屬于第c類的隸屬度數(shù)值；u' ,j是用空間信息和鄰域紋理信息調(diào)節(jié)后的像素點(diǎn)j相對(duì)于第i類的隸屬度值， ^i/，U是圖像所有像素點(diǎn)用空間信息和鄰域紋理信息調(diào)節(jié)后的隸屬度組成的矩陣；hcJ表示像素點(diǎn)j隸屬于第c類的空間信息和鄰域紋理信息調(diào)節(jié)系數(shù)；h.j表示像素點(diǎn)j隸屬于第i類的空間信息和鄰域紋理信息調(diào)節(jié)系數(shù)，其表示公式 為Iiij= α · u(D)iJ+^ · u(T)iJ式中α為U(D)ij的調(diào)控參數(shù)；U(D)ij表示像素點(diǎn)j隸屬于第i類的空間信息加權(quán)隸屬度，u(mj的表示式為 U{D)IJ = Σ二 uikd]k IH d]k，式中，S表示鄰域像素?cái)?shù)目，Uik表示用空間信息和鄰域紋理信息 調(diào)節(jié)前像素點(diǎn)j的第k個(gè)鄰域隸屬于第i類的隸屬度值，dJk是像素點(diǎn)j和它的第k個(gè)鄰域 之間的相對(duì)位置，其表示公式為4=(6-C)2 + (HJ2，式中(ζ」，nj)為所研究的像 素點(diǎn)j的坐標(biāo)，(ζ k，nk)為像素點(diǎn)j的第k個(gè)鄰域的坐標(biāo)；β為Umij的調(diào)控參數(shù)；u(T)iJ表示像素點(diǎn)j隸屬于第i類的鄰域紋理信息加權(quán)隸屬度，u(T)ij的表示式為 U{T)IJ HutkXjkIDjk，式中，Xjk = I IXj-XkI I是像素點(diǎn)j和它的第k個(gè)鄰域之間的紋
理特征的歐氏距離，這里的Xj和Xk分別表示像素點(diǎn)j和像素點(diǎn)j的第k個(gè)鄰域的紋理特征向量。步驟3.利用改進(jìn)的隸屬度值按如下公式對(duì)待分割圖像進(jìn)行聚類min Jm (U, V) = X 二 ( )"'d2 {X,, Z,)式中Jm表示模糊C-均值聚類的目標(biāo)函數(shù)，m e (1，⑴)控制模糊度的權(quán)重指數(shù)；N表示圖像像素?cái)?shù)，C表示聚類數(shù)目；Xj表示第j個(gè)像素點(diǎn)位置紋理特征；Zi表示第i類的聚類中心Z, QF, V是由聚類中心組成的矩陣；d2(Xj, Zi)為相似性測度，表示像素點(diǎn)j的紋理特征與第個(gè)聚類中心的歐氏距離， 其表示公式為d2 (Xj, Zi) = 11 Xj-Zi 11，式中Xj和Xk分別表示像素點(diǎn)j和像素點(diǎn)j的第k個(gè) 鄰域的紋理特征向量。步驟4.通過粒子群優(yōu)化PSO算法對(duì)調(diào)控參數(shù)α和β進(jìn)行更新。設(shè)PSO的種群規(guī)模為ps，最大種群進(jìn)化代數(shù)為Gmax ；設(shè)第i個(gè)粒子表示為Ici = ( α ρ 1)，、為α在第i個(gè)粒子中的數(shù)值，I為β在第i個(gè)粒子中的數(shù)值，為方便描述，1^統(tǒng) 一以Yi表示，個(gè)體位置Yi就是空間信息調(diào)控參數(shù)，Yi = (yn，yi2)，它經(jīng)歷的最好位置記為 Pi = (Pil，Pi2)，也稱為Ptest ；在群體所有粒子經(jīng)歷過的最好位置稱為gbest。粒子i的速度用 Vi = (vn，vi2)表示，Vi被一個(gè)最大速度Vmax所限制。PSO算法的組合模型為vid = wvid+Cl X rand ( · ) X (pid-yid) +C2 X Rand ( · ) X (pgd-yid)yid = yid+vid其中vid表式第i個(gè)粒子的d維的速度，如果當(dāng)前對(duì)粒子的加速導(dǎo)致它在d維的 速度Vid超過該維的最大速度Vmax, d，則該維的速度被限制為該維最大速度Vmax, d ；W為慣性
6權(quán)重，W較大算法具有較強(qiáng)的全局搜索能力，W較小則算法傾向于局部搜索，本發(fā)明對(duì)W的 取值方法是使其由最大初始值Vmax隨迭代次數(shù)的增加線性遞減至Wmin ;Cl和C2為加速常數(shù)； Pid表示第i個(gè)粒子的d維的最好位置；yid表示第i個(gè)粒子的d維的當(dāng)前位置；rancK ·)和 Rand( ·)為兩個(gè)在W，l]范圍內(nèi)變化的隨機(jī)函數(shù)；Pgd表示所有粒子的d維的最好位置。PSO進(jìn)行空間信息調(diào)控參數(shù)優(yōu)化的步驟如下4a)如果是對(duì)FCM首次進(jìn)行優(yōu)化，對(duì)第i個(gè)個(gè)體而言，則隨機(jī)給定位置Yi以及速度 Vi,否則，取各個(gè)體更新的位置Y' i和速度V' i;4b)按式min Jm(f/,F) = Σ二Σ^( 計(jì)算每個(gè)個(gè)體的目標(biāo)函數(shù)值；4c)將每個(gè)個(gè)體求得的目標(biāo)函數(shù)值與其經(jīng)驗(yàn)中記錄的個(gè)體最優(yōu)目標(biāo)函數(shù)值進(jìn)行比 較，若目前的目標(biāo)函數(shù)值較之前最優(yōu)結(jié)果更佳，則以之取代個(gè)體最優(yōu)目標(biāo)函數(shù)值，若目前求 得的最優(yōu)目標(biāo)函數(shù)值優(yōu)于群體最優(yōu)目標(biāo)函數(shù)值，則將群體最優(yōu)目標(biāo)函數(shù)值重設(shè)為目前的結(jié) 果；4d)按照PSO算法的組合模型修改種群中各個(gè)體的位置和速度，得到更新的位置 Y' i和更新的速度V' i，該組合模型為vid = wvid+Cl X rand ( · ) X (pid-yid) +C2 X Rand ( · ) X (pgd-yid)yid = yid+vid。PSO優(yōu)化主要參數(shù)的取值如表1所示表1. PSO優(yōu)化算法主要參數(shù)
參數(shù)符號(hào)取值參數(shù)符號(hào)取值種群規(guī)模Ps30最小慣性權(quán)重W0.4最大種群進(jìn)化代數(shù)^max60最大慣性權(quán)重W 'max0.9加速常數(shù)1cI2最大速度限制廠max0.001加速常數(shù)2C22模糊度m2步驟5.判斷是否達(dá)到設(shè)定的循環(huán)結(jié)束條件，如果達(dá)到循環(huán)結(jié)束條件，則分割結(jié) 束，把當(dāng)前的隸屬度值作為圖像分割結(jié)果，否則轉(zhuǎn)到步驟2進(jìn)行下一次循環(huán)，所述的循環(huán)結(jié)束條件，設(shè)定為在5次優(yōu)化中要滿足I/」-/ΓΙ/·7"' ^ 0 0001，其中#
表示優(yōu)化的第t代的目標(biāo)函數(shù)值，Ji'+1)表示優(yōu)化的第t+Ι代的目標(biāo)函數(shù)值，t的取值范圍為 [1，59]。本發(fā)明效果可以通過以下實(shí)驗(yàn)進(jìn)一步說明1.實(shí)驗(yàn)條件和內(nèi)容實(shí)驗(yàn)仿真環(huán)境為MATLAB7. 0. 4，Intel (R)Pentium(R) ICPU 2. 4GHz, WindowXP Professional。實(shí)驗(yàn)內(nèi)容包括本發(fā)明分別用3幅合成紋理圖像做了測試實(shí)驗(yàn)，合成圖像有3類， 4類，5類三幅，大小都為256 X 256，分別命名為SYN1，SYN2，SYN3，特征采用G_W特征，灰度 共生特征窗口大小為9X9，小波特征窗口為8X8，空間鄰域窗口大小為15X15。本發(fā)明還對(duì)三幅SAR圖像做了測試實(shí)驗(yàn)，分別分為3類，2類，2類，圖像大小都為 256 X 256，分別命名為SAR1，SAR2，SAR3，實(shí)驗(yàn)中采用W特征，相對(duì)于G_W特征，在保證分割 效果的前提下減小了計(jì)算量。SARl中為了保護(hù)跑道細(xì)節(jié)信息選擇了較小的特征窗口 4X4和較小的空間鄰域窗口 5X5。SAR2和SAR3采用SAR圖像分割的一般標(biāo)準(zhǔn)，特征窗口大小 為16X16，空間鄰域窗口 21X21。2.實(shí)驗(yàn)結(jié)果(1)用本發(fā)明和Kmeans、FCM、PS0-SCFCM三種方法對(duì)SYN1,SYN2, SYN3三幅合成紋 理圖像的分割結(jié)果如圖2所示，其中圖(2a)為SYNl的原圖像；圖(2b)為SYN2的原圖像； 圖(2c)為SYN3的原圖像；圖(2d)為圖(2a)的分割模板；圖(2e)為圖(2b)的分割模板； 圖(2f)為圖(2c)的分割模板；圖(2g)為現(xiàn)有Kmeans算法對(duì)圖(2a)的分割結(jié)果；圖(2h) 為現(xiàn)有Kmeans算法對(duì)圖(2b)的分割結(jié)果；圖(2i)為現(xiàn)有Kmeans算法對(duì)圖(2c)的分割結(jié) 果；圖(2j)為現(xiàn)有FCM算法對(duì)圖(2a)的分割結(jié)果；圖(2k)為現(xiàn)有FCM算法對(duì)圖(2b)的分 割結(jié)果；圖(21)為現(xiàn)有FCM算法對(duì)圖(2c)的分割結(jié)果；圖(2m)為現(xiàn)有PS0-SCFCM算法對(duì) 圖(2a)的分割結(jié)果；圖(2η)為現(xiàn)有PS0-SCFCM算法對(duì)圖(2b)的分割結(jié)果；圖(2ο)為現(xiàn)有 PS0-SCFCM算法對(duì)圖(2c)的分割結(jié)果；圖(2p)為本發(fā)明算法對(duì)圖(2a)分割結(jié)果；圖(2q) 為本發(fā)明算法對(duì)圖(2b)的分割結(jié)果；圖(2r)為本發(fā)明算法對(duì)圖(2c)的分割結(jié)果。從圖(2g)、圖(2h)和圖(2i)的分割結(jié)果可見，Kmeans算法雖然利用了紋理特征， 但由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(2j)、圖(2k)和圖(21)的分割結(jié)果可見，F(xiàn)CM算法雖然利用了紋理特征，但 由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(2m)、圖(2η)和圖(2ο)的分割結(jié)果可見，PS0-SCFCM算法由于采用的是灰度 特征，所以對(duì)紋理特征明顯的圖像起不到正確的分割效果。從圖(2ρ)、圖(2q)和圖(2r)的分割結(jié)果可見，本發(fā)明方法對(duì)合成紋理圖像有比較 理想的分結(jié)果。表2給出了不同算法對(duì)SYN1，SYN2，SYN3分割結(jié)果，表2中數(shù)據(jù)表示誤分類像素點(diǎn) 個(gè)數(shù)與圖像像素總數(shù)的百分比，誤分像素個(gè)數(shù)/圖像像素總數(shù)X 100%，從表2中可知，本發(fā) 明分割結(jié)果與三種現(xiàn)有算法分割結(jié)果相比較，誤分率明顯降低。表2.合成紋理圖像誤分率比較
圖名算法KmeansFCMPSO-SCFCM本發(fā)明SYNl5.14%5.13%45.10%1.59%SYN27.99%7.50%41.24%1.72%SYN339.46%48.26%54. 87%3.37% (2)用本發(fā)明和 Kmeans、FCM、PS0-SCFCM 三種方法對(duì) SARl, SAR2, SAR3 三幅 SAR 圖像的分割結(jié)果如圖3所示，其中圖(3a)為SARl的原圖像；圖(3b)為SAR2的原圖像；圖 (3c)為SAR3的原圖像；圖(3d)為現(xiàn)有Kmeans算法對(duì)圖(3a)的分割結(jié)果；圖(3e)為現(xiàn) 有Kmeans算法對(duì)圖(3b)的分割結(jié)果；圖(3f)為現(xiàn)有Kmeans算法對(duì)圖(3c)的分割結(jié)果； 圖(3g)為現(xiàn)有FCM算法對(duì)圖(3a)的分割結(jié)果；圖(3h)為現(xiàn)有FCM算法對(duì)圖(3b)的分割 結(jié)果；圖(3i)為現(xiàn)有FCM算法對(duì)圖(3c)的分割結(jié)果；圖(3j)為現(xiàn)有PS0-SCFCM算法對(duì)圖 (3a)的分割結(jié)果；圖(3k)為現(xiàn)有PS0-SCFCM算法對(duì)圖(3b)的分割結(jié)果；圖(31)為現(xiàn)有 PS0-SCFCM算法對(duì)圖(3c)的分割結(jié)果；圖(3m)為本發(fā)明算法對(duì)圖(3a)分割結(jié)果；圖(3η)
8為本發(fā)明算法對(duì)圖(3b)的分割結(jié)果；圖(3ο)為本發(fā)明算法對(duì)圖(3c)的分割結(jié)果。從圖(3d)、圖(3e)和圖(3f)的分割結(jié)果可見，Kmeans算法雖然利用了紋理特征， 但由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(3g)、圖(3h)和圖(3i)的分割結(jié)果可見，F(xiàn)CM算法雖然利用了紋理特征，但 由于沒考慮空間信息，因此不能得到理想的分割結(jié)果。從圖(3j)、圖(3k)和圖(31)的分割結(jié)果可見，PS0-SCFCM算法由于采用的是灰度 特征，所以對(duì)紋理特征明顯的SAR圖像起不到正確的分割效果。從圖(3m)、圖(3η)和圖(3ο)的分割結(jié)果可見，本發(fā)明方法對(duì)紋理特征明顯的SAR 圖像有比較理想的分結(jié)果。綜上，本發(fā)明提出的基于空間加權(quán)隸屬度模糊C-均值的紋理圖像分割方法，通過 用相鄰像素的相對(duì)位置和紋理信息所構(gòu)成的空間信息調(diào)節(jié)模糊C-均值FCM聚類算法的隸 屬度，基本消除了圖像的局部錯(cuò)分現(xiàn)象?？臻g信息對(duì)FCM聚類算法的調(diào)控由粒子群優(yōu)化PSO 算法完成，優(yōu)化的調(diào)控參數(shù)有助于獲得良好的分割結(jié)果。
權(quán)利要求
一種基于空間加權(quán)隸屬度模糊c 均值的紋理圖像分割方法，包含以下步驟(1)輸入待分割圖像，并提取待分割圖像的紋理特征；(2)用每個(gè)像素點(diǎn)的鄰域像素的空間信息和提取的紋理特征信息調(diào)節(jié)該像素點(diǎn)模糊c 均值聚類的隸屬度，得到調(diào)節(jié)后的隸屬度為 <mrow><msubsup> <mi>u</mi> <mi>ij</mi> <mo>′</mo></msubsup><mo>=</mo><msub> <mi>u</mi> <mi>ij</mi></msub><msub> <mi>h</mi> <mi>ij</mi></msub><mo>/</mo><msubsup> <mi>Σ</mi> <mrow><mi>c</mi><mo>=</mo><mn>1</mn> </mrow> <mi>C</mi></msubsup><msub> <mi>u</mi> <mi>cj</mi></msub><msub> <mi>h</mi> <mi>cj</mi></msub> </mrow>其中uij表示調(diào)節(jié)前的像素點(diǎn)j隸屬于第i類的隸屬度數(shù)值；C表示聚類數(shù)目，ucj表示調(diào)節(jié)前的像素點(diǎn)j隸屬于第c類的隸屬度數(shù)值；u′ij是用空間信息和鄰域紋理信息調(diào)節(jié)后的像素點(diǎn)j相對(duì)于第i類的隸屬度值，U是圖像所有像素點(diǎn)用空間信息和鄰域紋理信息調(diào)節(jié)后的隸屬度組成的矩陣；hcj表示像素點(diǎn)j隸屬于第c類的空間信息和鄰域紋理信息調(diào)節(jié)系數(shù)；hij表示像素點(diǎn)j隸屬于第i類的空間信息和鄰域紋理信息調(diào)節(jié)系數(shù)，其表示公式為hij＝α·u(D)ij+β·u(T)ij式中，α是u(D)ij的調(diào)控參數(shù)；u(D)ij表示像素點(diǎn)j隸屬于第i類的空間信息加權(quán)隸屬度，其定義為式中，s表示鄰域像素?cái)?shù)目，uik表示像素點(diǎn)j的第k個(gè)鄰域?qū)τ诘趇類的隸屬度值；djk表示像素點(diǎn)j和它的第k個(gè)鄰域之間的空間距離；β是u(T)ij的調(diào)控參數(shù)；u(T)ij表示像素點(diǎn)j隸屬于第i類的鄰域紋理信息加權(quán)隸屬度，其定義為式中，Xjk是像素點(diǎn)j和它的第k個(gè)鄰域之間的紋理特征的歐氏距離，Xjk＝||Xj Xk||，這里的Xj和Xk分別表示像素點(diǎn)j和像素點(diǎn)j的第k個(gè)鄰域的紋理特征向量；(3)根據(jù)調(diào)節(jié)后的隸屬度值u′ij，利用下式對(duì)待分割圖像進(jìn)行聚類 <mrow><mi>min</mi><msub> <mi>J</mi> <mi>m</mi></msub><mrow> <mo>(</mo> <mi>U</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></msubsup><msubsup> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>C</mi></msubsup><msup> <mrow><mo>(</mo><msubsup> <mi>u</mi> <mi>ij</mi> <mo>′</mo></msubsup><mo>)</mo> </mrow> <mi>m</mi></msup><msup> <mi>d</mi> <mn>2</mn></msup><mrow> <mo>(</mo> <msub><mi>X</mi><mi>j</mi> </msub> <mo>,</mo> <msub><mi>Z</mi><mi>i</mi> </msub> <mo>)</mo></mrow> </mrow>其中Jm表示模糊c 均值聚類的目標(biāo)函數(shù)，m∈(1，∞)控制模糊度權(quán)重指數(shù)；N表示圖像像素?cái)?shù)，C表示聚類數(shù)目；Xj表示第j個(gè)像素點(diǎn)位置紋理特征；Zi表示第i類的聚類中心V是由聚類中心組成的矩陣；d2(Xj，Zi)為相似性測度，其表示公式為d2(Xj，Zi)＝||Xj Zi||；(4)通過粒子群優(yōu)化對(duì)調(diào)控參數(shù)α和β進(jìn)行更新，優(yōu)化的最大代數(shù)為60；(5)判斷是否達(dá)到設(shè)定的循環(huán)結(jié)束條件，如果達(dá)到循環(huán)結(jié)束條件，則分割結(jié)束，把當(dāng)前的隸屬度值作為圖像分割結(jié)果，否則轉(zhuǎn)到步驟2進(jìn)行下一次循環(huán)。FSA00000255295200012.tif,FSA00000255295200013.tif,FSA00000255295200014.tif,FSA00000255295200022.tif
2.根據(jù)權(quán)利要求書1所述的方法，其中步驟(5)所述的循環(huán)結(jié)束條件，設(shè)定為在5次優(yōu) 化中要滿足|4)-々+1)|/力、0.0001，其中/纟)表示優(yōu)化的第t代的目標(biāo)函數(shù)值，表示優(yōu)化 的第t+Ι代的目標(biāo)函數(shù)值，t的取值范圍為[1，59]。
全文摘要
本發(fā)明公開了一種空間加權(quán)隸屬度模糊c-均值紋理圖像分割方法，主要解決紋理圖像分割的局部錯(cuò)分問題，改善邊緣結(jié)合位置的分割效果。其實(shí)現(xiàn)過程是(1)輸入待分割的圖像；(2)對(duì)待分割圖像提取灰度共生特征和小波特征；(3)利用空間信息調(diào)節(jié)模糊c-均值聚類的隸屬度并聚類；(4)利用粒子群優(yōu)化方法對(duì)聚類過程中的調(diào)控參數(shù)進(jìn)行優(yōu)化；(5)判斷是否達(dá)到設(shè)定的循環(huán)終止條件，如果沒有達(dá)到循環(huán)終止條件則返回到第3步進(jìn)行下一次循環(huán)，如果達(dá)到則退出循環(huán)得到最終隸屬度值，即圖像最終分割結(jié)果。本發(fā)明與現(xiàn)有的技術(shù)相比顯著提高了圖像的分割性能，能夠有效地分割紋理圖像和SAR圖像。
文檔編號(hào)G06T7/00GK101923714SQ20101027153
公開日2010年12月22日 申請(qǐng)日期2010年9月2日 優(yōu)先權(quán)日2010年9月2日
發(fā)明者吳建設(shè), 張小華, 焦李成, 王剛, 王爽, 田小林, 緱水平, 鐘樺 申請(qǐng)人:西安電子科技大學(xué)