基于fcm的分塊自適應圖像分割方法
【專利摘要】本發(fā)明公開了一種基于FCM的分塊自適應圖像分割方法，具體實現過程是輸入一幅待分割圖像；首先采用基于標準FCM圖像分割方法對待分割圖像進行分割，對結果圖進行分塊處理，對圖像區(qū)域塊編號并計算每個圖像區(qū)域塊的方差；同時采用鄰域平均法對待分割圖像進行處理后采用基于FCM圖像分割方法進行分割，對結果圖進行分塊處理，對圖像區(qū)域塊編號并計算每個圖像區(qū)域塊的方差；最后比較兩幅分割圖上相同位置的圖像塊的方差，選擇方差較小的圖像塊作為最后的分割結果。本發(fā)明充分考慮了圖像像素的灰度信息和空間信息，并對待分割圖像分塊自適應選擇分割方法，提高了含噪圖像的分割質量，獲得了更加準確的圖像分割結果。
【專利說明】基于FCM的分塊自適應圖像分割方法
【技術領域】
[0001]本發(fā)明涉及一種基于FCM的分塊自適應圖像分割方法，屬于圖像處理【技術領域】?！颈尘凹夹g】
[0002]圖像分割是圖像處理中的重要問題，也是機器視覺領域低層視覺中的主要問題，同時它又是一個經典難題。圖像的分割是圖像由預處理轉入分析的關鍵步驟，圖像的分割效果直接影響著后續(xù)的識別工作。因此，圖像分割多年來一直受到研究人員的高度重視。
[0003]目前使用的上千種圖像分割算法大都是針對具體問題所提出的，雖然每年都有新的圖像分割算法提出，但是并沒有一種通用的算法能適用于所有的圖像分割處理。相對于傳統(tǒng)的硬分割算法而言，基于模糊聚類的圖像分割方法能夠保留更多的原始圖像信息，已經越來越引起人們的關注，特別是由Dunn提出后經Bezdek推廣的模糊C均值聚類(FCM)算法，它作為一種無監(jiān)督聚類算法已成功地應用在圖像分析、醫(yī)療診斷、目標識別和圖像分割等領域。
[0004]但是，傳統(tǒng)的FCM算法大多是針對歐氏距離的算法，在分割不含噪聲或含有少量噪聲的圖像時能產生較好的效果，但是在分割含噪圖像時，分割效果不理想。造成這種結果的主要原因是傳統(tǒng)FCM算法僅考慮像素的灰度信息，忽略了像素間的鄰域信息，把僅與灰度信息有關的歐氏距離作為像素與聚類中心距離度量的標準，因此對于低信噪比圖像分割效果不理想。

【發(fā)明內容】

[0005]本發(fā)明所要解決的技術問題是提供一種基于FCM的分塊自適應圖像分割方法，采用基于標準FCM圖像分割和基于均值濾波的相似度距離的FCM圖像分割兩種方法，使待分割圖像分塊自適應的選擇上述兩種方法。本發(fā)明既保留了基于標準FCM圖像分割方法的優(yōu)點，同時也考慮到像素點的空間鄰域信息，保證空間信息的完整性，減少雜點，保持分割后的區(qū)域一致性，提高了分割精度，使分割結果更符合人的視覺。
[0006]本發(fā)明為解決上述技術問題采用以下技術方案:
[0007]一種基于FCM的分塊自適應圖像分割方法，包括如下步驟:
[0008]步驟1，輸入一幅待分割的含噪圖像頂；
[0009]步驟2，采用基于標準FCM圖像分割方法對圖像頂進行處理，得到分割結果M1 ；所述基于標準FCM圖像分割方法，具體步驟如下:
[0010]步驟101，確定聚類數目C，模糊加權指數m ;其中，2≤C≤n，1.5≤m≤2.5 ;n為自然數；
[0011]步驟102，設定迭代停止閾值ε > 0，初始迭代次數b = O ;
[0012]步驟103，給出初始聚類中心矩陣V(b) = (Vl，V2，…，V。)，根據以下公式，計算出初
始隸屬度矩陣U(b):
【權利要求】
1.一種基于FCM的分塊自適應圖像分割方法，其特征在于，包括如下步驟: 步驟I，輸入一幅待分割的含噪圖像頂; 步驟2，采用基于標準FCM圖像分割方法對圖像IM進行處理，得到分割結果M1 ； 步驟3，對IM1進行分塊處理，將圖像分成一定大小的圖像塊，并對圖像塊進行編號，每個圖像塊用Mia表示，然后計算每個圖像塊的方差\，1;其中I = 1,2,..., L，L為圖像塊個數； 步驟4，使用鄰域平均法對圖像IM進行鄰域平均處理，得到圖像； 步驟5，采用基于FCM圖像分割方法對圖像進行處理，得到分割結果IM2 ； 步驟6，對IM2進行分塊處理，將圖像分成步驟3中所述一定大小的圖像塊，并對圖像塊進行編號，每個圖像塊用頂2a表示，然后計算每個圖像塊的方差S21 ； 步驟7，比較兩種分割結果相同位置的圖像塊的方差大小，即比較S11和δ21的大?。? 步驟8，通過以下公式選擇輸出圖像塊OM1，得到最終分割結果；
2.根據權利要求1所述的基于FCM的分塊自適應圖像分割方法，其特征在于:步驟2中所述基于標準FCM圖像分割方法，具體步驟如下: 步驟101，確定聚類數目C，模糊加權指數m ;其中，2≤c≤η，1.5≤m≤2.5 ;η為自然數； 步驟102，設定迭代停止閾值ε > 0，初始迭代次數b = O ; 步驟103,給出初始聚類中心矩陣V(b) = (V1, v2,…，V。)，根據以下公式,計算出初始隸屬度矩陣U(b):
3.根據權利要求1所述的基于FCM的分塊自適應圖像分割方法，其特征在于:步驟4中所述鄰域平均法是將原圖像中一個像素的灰度值與它周圍鄰近像素的灰度值相加，然后將求得的平均灰度值作為在新圖像中該像素的灰度值；整個鄰域平均運算過程表示為:
4.根據權利要求1所述的基于FCM的分塊自適應圖像分割方法，其特征在于:步驟5中所述基于FCM的圖像分割方法過程與基于標準FCM圖像分割方法基本一致，僅相似度距離的計算方式有別于標準FCM圖像分割方法；采用一種基于像素空間鄰域信息和灰度信息的相似度距離計算方法，用鄰域內像素灰度的均值來代替中心像素進行相似度距離計算:
5.根據權利要求1所述的基于FCM的分塊自適應圖像分割方法，其特征在于:步驟3中所述一定大小是根據待分割圖像的分辨率和實際仿真實驗的需要來確定的。
【文檔編號】G06T7/00GK103761726SQ201310726876
【公開日】2014年4月30日 申請日期:2013年12月25日 優(yōu)先權日:2013年12月25日
【發(fā)明者】鹿浩, 陳亮, 王佳希, 曹寧 申請人:河海大學