基于分層模糊c均值的圖像分割方法
【專利摘要】本發(fā)明公開了一種基于分層模糊c均值的圖像分割方法，通過將均值模板同時應(yīng)用于隸屬度和距離函數(shù)這兩項上，從而獲得更好的圖像分割結(jié)果，有效地利用了圖像中的空間上下文信息，獲得了更好的圖像分割質(zhì)量，同時算法的運行時間和計算量都較小，通過將距離函數(shù)采用分層模糊c模型，即將距離函數(shù)看作是子模糊c均值模型，其比傳統(tǒng)的歐式距離函數(shù)具有更好的抗噪性本發(fā)明的算法對于圖像噪聲具有更好的魯棒性。
【專利說明】基于分層模糊C均值的圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，特別涉及一種基于分層模糊c均值的圖像分割方法?！颈尘凹夹g(shù)】
[0002]圖像分割是圖像處理中的重要研究課題，它決定著最終的圖像分析和圖像理解的結(jié)果和質(zhì)量。正是由于圖像分割的重要性，國內(nèi)外許多學(xué)者對其展開了大量的研究，提出了各種各樣不同的分割算法，但是這些算法大都是針對具體研究對象的，至今還沒有通用的分割理論提出，因此人們?nèi)匀辉诓粩嗟靥剿餍碌姆指钏惴ê头指罾碚摗?br> [0003]模糊C均值算法是基于目標函數(shù)的聚類算法中理論最完善、應(yīng)用最廣泛的算法。由于成功地將模糊概念引入到圖像像素的隸屬度，模糊C均值算法能夠保留更多的原始圖像信息。雖然模糊C均值算法由于自身的優(yōu)勢得到了廣泛的應(yīng)用和發(fā)展，但是該算法在進行圖像分割時需要事先確定分類數(shù)、對噪聲敏感、易陷入局部極值。
[0004]Ahmed等通過引入空間約束修改經(jīng)典的模糊c均值(Fuzzy Cneans, FCM)算法的目標函數(shù)，取得了較好的圖像分割結(jié)果，該算法稱為MFCM算法。陳松燦等提出了關(guān)于MFCM算法的變化形式:FCM_S算法，并且加快了 MFCM算法的執(zhí)行速度。FLICM考慮了像素的局部空間信息而HMRF-FCM則考慮了像素空間關(guān)系的馬爾科夫隨機場(Markov RandomField, MRF)模型。然而，這些已有的研究算法具有計算復(fù)雜度高，計算時間長，依然容易受到圖像噪聲影響等弊端。

【發(fā)明內(nèi)容】

[0005]本發(fā)明為了解決現(xiàn)有的算法具有計算復(fù)雜度高，計算時間長，依然容易受到圖像噪聲影響等弊端的問題，提出了一種基于分層模糊c均值的圖像分割方法。
[0006]為解決上述問題，本發(fā)明采用的方法是:一種基于分層模糊c均值的圖像分割方法，包括以下步驟:
[0007](I)、將圖像數(shù)據(jù)分到J個類中，在每個類j中，數(shù)據(jù)再被分到k個子類中，確定第一層的類數(shù)J，第二層的類數(shù)K，初始化隸屬度》C*子隸屬度^和初始化聚類中心P Jk ;
[0008](2)、設(shè)置循環(huán)計數(shù)1=0 ；
[0009](3)、通過公式:
【權(quán)利要求】
1.一種基于分層模糊C均值的圖像分割方法，其特征在于:包括以下步驟: (1)、將圖像數(shù)據(jù)分到J個類中，在每個類j中，數(shù)據(jù)再被分到k個子類中，確定第一層的類數(shù)J，第二層的類數(shù)K，初始化隸屬度《丨，子隸屬度嗱和初始化聚類中心μ Jk ； (2)、設(shè)置循環(huán)計數(shù)1=0; (3)、通過公式
2.根據(jù)權(quán)利要求1所述的基于分層模糊c均值的圖像分割方法，其特征在于:所述目標函數(shù)的推導(dǎo)過程包括如下步驟: (1)、令yi表示圖像中第i個點的像素值，其中i=(l，2，…，N)，N為圖像的像素總個數(shù)，j(j=l,2,-,K)表示像素點i所對應(yīng)的類，模糊c均值的目標函數(shù)可以表示為:
3.根據(jù)權(quán)利要求2所述的基于分層模糊c均值的圖像分割方法，其特征在于:所述的公式
4.根據(jù)權(quán)利要求1所述的基于分層模糊c均值的圖像分割方法，其特征在于:所述的初始化隸屬度《丨，子隸屬度^和初始化聚類中心μ Jk通過k-means算法進行預(yù)處理得到。
【文檔編號】G06T7/00GK103971363SQ201410127317
【公開日】2014年8月6日 申請日期:2014年3月31日 優(yōu)先權(quán)日:2014年3月31日
【發(fā)明者】張輝, 陳北京, 鄭鈺輝 申請人:南京信息工程大學(xué)