本發(fā)明屬于圖像分割
技術(shù)領(lǐng)域：
，更具體地，涉及一種針對光流圖的快速的fcm圖像分割方法。
背景技術(shù)：
：圖像分割是圖像處理和計算機視覺的一個重要過程。圖像分割就是把圖像分割成若干個特定的，具有獨特性質(zhì)的區(qū)域并提取出感興趣目標的技術(shù)和過程?，F(xiàn)有的圖像分割主要分為下面幾類：基于閾值的分割方法，基于區(qū)域的分割方法，基于邊緣的分割方法以及基于聚類的分割方法。模糊聚類即fcm算法是聚類分割方法的一種，它由dunn提出并由bezdek推廣，目前已成功運用在醫(yī)學(xué)圖像處理，人工智能，模式識別等各個方面。光流(opticalflow)法是目前運動圖像分析的重要方法，它的概念是由gibso于1950年首先提出的，是指時變圖像中模式運動速度。因為當物體在運動時，它在圖像上對應(yīng)點的亮度模式也在運動。這種圖像亮度模式的表觀運動(apparentmotion)就是光流。光流表達了圖像的變化，由于它包含了目標運動的信息，因此可被觀察者用來確定目標的運動情況。由光流的定義可以引申出光流場，它是指圖像中所有像素點構(gòu)成的一種二維(2d)瞬時速度場，其中的二維速度矢量是景物中可見點的三維速度矢量在成像表面的投影。所以光流不僅包含了被觀察物體的運動信息，而且還包含有關(guān)景物三維結(jié)構(gòu)的豐富信息。對光流的研究成為計算機視覺及有關(guān)研究領(lǐng)域中的一個重要部分。由于獲取的光流場一般含有不同的運動對象，可能還伴隨干擾信息，因此可以利用fcm算法進行分割。然而進一步的研究表明，采用傳統(tǒng)的fcm算法分割光流圖或二維向量圖，存在以下問題：(1)傳統(tǒng)的fcm主要是作用于灰度圖，像素是一維的灰度值，當分割對象為光流圖等像素為二維向量時，傳統(tǒng)的fcm算法不能對二維向量進行聚類分割，(2)由于傳統(tǒng)的fcm算法每次迭代都需要對每個像素進行計算，使得算法非常耗時，(3)二維向量圖中含有較多的噪音，傳統(tǒng)的fcm算法不能有效地去除圖像中的噪聲。綜上所述，本領(lǐng)域亟需設(shè)計一種二維向量圖的分割方法以克服上述缺陷和不足。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種針對二維向量圖的快速fcm圖像分割算法，即hov-fcm算法，其針對二維向量圖尤其是光流圖包含目標運動的信息，創(chuàng)造性地提采用fcm圖像分割算法，針對通過劃分方向區(qū)間和模區(qū)間，將光流圖中每個像素點的二維方向向量歸類到少量的標準方向向量區(qū)間中，通過適當?shù)膮^(qū)間個數(shù)參數(shù)選擇，不僅能夠?qū)ΧS向量圖進行精確分割，而且大大減少了整個分割過程的計算量，提高了運算速度，十分適用于二維向量圖，尤其是光流圖的分割。為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種針對二維向量圖的快速fcm圖像分割方法，其特征在于，具體包括如下步驟：s1確定待處理二維向量圖中的模糊聚類參數(shù)；s2將二維向量圖按照360度均分為若干個向量方向區(qū)間，計算每個二維向量的方向并根據(jù)其方向劃分至對應(yīng)的方向區(qū)間中；s3將每個方向區(qū)間均分成若干個模區(qū)間，并將該方向區(qū)間內(nèi)的所有二維向量劃分至對應(yīng)的模區(qū)間中，計算每個方向區(qū)間下每個模區(qū)間內(nèi)的向量個數(shù)；s4計算每個方向區(qū)間中的每個向量模區(qū)間的標準向量大??；s5將每個方向區(qū)間中的每個向量模區(qū)間的標準向量的隸屬度初始化，并利用初始化的隸屬度計算初始化的聚類中心，然后利用聚類中心計算更新隸屬度，再利用更新后的隸屬度重新計算更新聚類中心，如此往復(fù)，進行迭代計算，直至得到滿足精度要求的隸屬度和聚類中心；s6根據(jù)得到的隸屬度完成二維向量圖的圖像分割。進一步優(yōu)選地，所述二維圖像為光流圖。優(yōu)選地，步驟s1中，所述模糊聚類參數(shù)包括初始化分類個數(shù)c、模糊指數(shù)m、迭代停止閾值ε和最大迭代次數(shù)iter。優(yōu)選地，步驟s3中，將每個方向區(qū)間均分為若干個模區(qū)間的方法具體如下：首先，計算每方向區(qū)間中所有二維向量的模的大小，將最大的模作為該方向區(qū)間的邊界，然后將該方向區(qū)間按其邊界大小均分為若干個模區(qū)間。優(yōu)選地，步驟s4中，所述標準向量的計算過程具體包括如下步驟：s41.根據(jù)方向區(qū)間的個數(shù)b，得到每個方向區(qū)間的標準角度angleb；s42.根據(jù)每個方向區(qū)間的模最大值和模區(qū)間個數(shù)，得到每個方向區(qū)間內(nèi)的每個模區(qū)間的標準模大小magk；s43.建立坐標軸xoy，計算出每個方向區(qū)間內(nèi)的每個模區(qū)間的標準向量其計算公式表示如下：vybk＝magk×cosangleb，vybk＝magk×sinangleb，其中，b表示第b個方向區(qū)間，b＝1,2,…b，b為方向區(qū)間個數(shù)；k表示第k個模區(qū)間，k＝1,2,…k，k為每個方向區(qū)間內(nèi)的模區(qū)間個數(shù)；m表示模糊指數(shù)；vybk和vybk分別表示標準向量在x軸和y軸方向上的分量。優(yōu)選地，所述步驟s5中，確定每個方向區(qū)間中的每個向量模區(qū)間內(nèi)滿足精度要求的隸屬度和聚類中心的具體過程如下：s51利用0至1之間的隨機數(shù)初始化每個模區(qū)間的標準向量的隸屬度，分別利用每個模區(qū)間內(nèi)的初始化的隸屬度計算該模區(qū)間內(nèi)的初始化的聚類中心；s52利用每個模區(qū)間的初始化的隸屬度和聚類中心進行迭代計算：先根據(jù)第it次迭代的聚類中心重新計算第it+1次迭代的隸屬度，再根據(jù)所述第it+1次隸屬度重新計算第it+1次迭代的聚類中心，如此往復(fù)，迭代計算，其中，it為迭代次數(shù)，it＝0,1,2,…iter，iter為最大迭代次數(shù)，初始化迭代次數(shù)為0；s53計算每次迭代過程中當期目標函數(shù)j，當兩次迭代的目標函數(shù)j值差小于迭代停止閾值ε，或者迭代次數(shù)it超過所述最大迭代次數(shù)iter時，停止迭代，此時的隸屬度和聚類中心即為該模區(qū)間內(nèi)滿足精度要求的隸屬度和聚類中心。優(yōu)選地，步驟s52中，每個方向區(qū)間中的每個向量模區(qū)間的隸屬度和聚類中心的迭代計算過程中，利用標準向量屬于第i個聚類中心的隸屬度重新計算更新該聚類中心ci＝(cix，ciy)，其計算公式如下：其中，uibk表示第b個方向區(qū)間中的第k個模區(qū)間內(nèi)對應(yīng)的標準向量屬于第i個聚類中心的隸屬度，ci表示第b個方向區(qū)間中的第k個模區(qū)間中第i個聚類中心，i＝1,2,…c；c為第b個方向區(qū)間中的第k個模區(qū)間內(nèi)的聚類中心的個數(shù)；0≤uibk≤1，m表示模糊指數(shù)。優(yōu)選地，在所述步驟s52中，在每次迭代過程中，利用聚類中心計算更新所述所有標準向量屬于第i個聚類中心的隸屬度，計算公式如下：其中，uibk表示第b個方向區(qū)間中的第k個模區(qū)間內(nèi)對應(yīng)的標準向量屬于第i個聚類中心的隸屬度，i＝1,2,…c；c為第b個方向區(qū)間中的第k個模區(qū)間內(nèi)的聚類中心的個數(shù)，0≤uibk≤1，表示第b個方向區(qū)間中的第k個模區(qū)間中第i個聚類中心的向量，表示第b個方向區(qū)間中的第k個模區(qū)間第j個聚類中心的向量，j＝1,2,…c，m表示模糊指數(shù)。優(yōu)選地，所述步驟s53中計算當期目標函數(shù)j的公式如下：其中，uibk表示第b個方向區(qū)間中的第k個模區(qū)間內(nèi)對應(yīng)的標準向量屬于第i個聚類中心的隸屬度，表示第b個方向區(qū)間中的第k個模區(qū)間中第i個聚類中心的的向量，i＝1,2,…c；c為第b個方向區(qū)間中的第k個模區(qū)間內(nèi)的聚類中心的個數(shù)，0≤uibk≤1，m表示模糊指數(shù)，表示第b個方向區(qū)間內(nèi)的第k個模區(qū)間內(nèi)的向量個數(shù)，b表示第b個方向區(qū)間，b＝1,2,…b，b表示方向區(qū)間個數(shù)；k表示第k個模區(qū)間，k＝1,2,…k，k表示每個方向區(qū)間內(nèi)的模區(qū)間個數(shù)?？傮w而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下優(yōu)點和有益效果：(1)本發(fā)明針對二維向量圖尤其是光流圖包含目標運動的信息，創(chuàng)造性地提采用fcm圖像分割算法，針對通過劃分方向區(qū)間和模區(qū)間，將光流圖中每個像素點的二維方向向量歸類到少量的標準方向向量區(qū)間中，通過適當?shù)膮^(qū)間個數(shù)參數(shù)選擇，不僅能夠?qū)ΧS向量圖進行精確分割，而且大大減少了整個分割過程的計算量，提高了運算速度，十分適用于二維向量圖，尤其是光流圖的分割。(2)本發(fā)明提出了將向量方向直方圖因子(hov)，將該因子引入fcm算法中，該因子可以大大提高計算速度，并且不損失圖像分割效果。實驗驗證本發(fā)明在同等條件和效果情況下，可以提高計算速度99％以上。(3)本發(fā)明主要研究的是含有干擾情況下的光流圖的分割算法，該方法在最大可能的保持計算精度條件下大大減少了計算量，從而極大提高了計算速度，還能夠有效地去除二維向量圖中的噪音，提高最終分割圖像的精度。(4)本發(fā)明的分割方法步驟簡單、計算量小，且將傳統(tǒng)的fcm對一維的灰度圖擴展到對二維的光流圖，拓展了對光流圖分割領(lǐng)域的理論研究，其適用性更廣泛。附圖說明圖1為本發(fā)明針對光流圖的快速fcm圖像分割方法(hov-fcm)的流程圖；圖2為對5張光流圖采用fcm、vfcm和hov-fcm這三種的分割效果以及目標函數(shù)值的迭代變化示意圖對比；圖3為方向區(qū)間分割的示意圖；圖4為光流圖的向量可視化以及光流圖的可視化示意圖；具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。圖1為本發(fā)明針對光流圖的快速fcm圖像分割方法(hov-fcm)的流程圖，如圖所示，其具體包括如下步驟：步驟a：輸入一張含有噪聲的待處理的光流圖；步驟b：設(shè)定初始化分類個數(shù)c,模糊指數(shù)m、迭代停止閾值ε和最大迭代次數(shù)iter,向量方向區(qū)間個數(shù)b和每個方向區(qū)間中向量模區(qū)間個數(shù)k；步驟c:計算每個二維向量的方向，將360度分成b個相等的方向區(qū)間，然后每個二維向量根據(jù)方向歸類到不同的方向區(qū)間中；步驟d：統(tǒng)計每個方向區(qū)間中所有二維方向向量的模的大小，獲取最大作為邊界，將該方向下的模大小均分成k個模區(qū)間，并將該方向區(qū)間內(nèi)的所有二維向量歸類到劃分的模區(qū)間中，并統(tǒng)計每個方向區(qū)間下每個模區(qū)間內(nèi)的向量個數(shù)步驟e:計算每個方向區(qū)間中，每個向量模區(qū)間的標準向量大小，共計b×k個標準向量步驟f：利用0至1之間的隨機數(shù)初始化標準向量的隸屬度u0，并利用初始的隸屬度u0計算初始化的聚類中心c0,所述聚類中心c0包含c個聚類中心；步驟g:對于第it次迭代，it＝0,1,2,….iter，根據(jù)聚類中心cit重新計算第it+1次迭代的隸屬度uit+1，it＝0,1,2,…iter；步驟h：根據(jù)所述隸屬度uit+1重新計算第it次迭代的聚類中心cit+1；步驟i:判斷迭代前后的目標函數(shù)j值差小于所述迭代停止閾值ε或者迭代次數(shù)it超過所述最大迭代次數(shù)iter時，則完成圖像分割并輸出分割后的圖像；否則重復(fù)所述步驟g和步驟h進行下一次迭代計算隸屬度和聚類中心直至滿足該條件為止。本發(fā)明提出的所述針對光流圖快速fcm圖像分割方法(hov-fcm)中，所述步驟b中利用所述的參數(shù)設(shè)定如下：c∈[2，n],聚類中心至少為2,模糊指數(shù)m∈[1，∞),一般設(shè)定為2，迭代停止閾值和迭代次數(shù)根據(jù)實際數(shù)據(jù)設(shè)定，可先將閾值設(shè)定一個較小值，如0.1,迭代次數(shù)設(shè)定一個較大值，如200，使終止條件較為苛刻，然后對目標函數(shù)值進行觀察，根據(jù)變化情況，放松終止條件，即閾值變大以及迭代次數(shù)變小，向量方向區(qū)間數(shù)b和模區(qū)間數(shù)k，其值與精度和計算時間成正比，因此，如果要使精度和速度達到一個最優(yōu)平衡，仍可通過先取較大值，然后再減小，b值一般需要能整除360，k一般為偶數(shù)，建議b取值為18，k取值為50。本發(fā)明提出的所述針對光流圖快速fcm圖像分割方法(hov-fcm)中，所述步驟c中將二維向量歸類到不同的方向區(qū)間包括如下步驟：步驟c1:計算所有二維向量的方向角度；步驟c2：根據(jù)區(qū)間個數(shù)b，計算每個區(qū)間間隔；步驟c3:計算每個二維向量方向角度除以區(qū)間間隔的值，并向上取整，則為該向量所在的區(qū)間，如取b為18，則每個區(qū)間間隔為20度，某個二維向量角度為50度，則除以區(qū)間間隔為2.5，向上取整為3，則該向量在第三個方向區(qū)間，即[40,60]的區(qū)間。本發(fā)明提出的所述針對光流圖快速fcm圖像分割方法(hov-fcm)中，所述步驟d中將二維向量歸類到不同的模區(qū)間包括如下步驟：步驟d1:計算該方向區(qū)間內(nèi)的所有二維向量的模，并去最大值；步驟d2：最大值除以模區(qū)間數(shù)k，則為該方向區(qū)間下模區(qū)間的間隔；步驟d3：計算該方向區(qū)間內(nèi)每個二維向量的模除以步驟d2得到的間隔，并向上取整，則為該向量所在的模區(qū)間，如取k為50，該方向區(qū)間內(nèi)模最大值為2，則模區(qū)間間隔為0.04，某個向量的模為0.02，則除以模區(qū)間間隔為0.5，向上取整為1，則該向量在第一個模區(qū)間，即[0,0.04]的區(qū)間；步驟d4：統(tǒng)計屬于每個模區(qū)間的向量數(shù)。本發(fā)明提出的所述針對光流圖快速fcm圖像分割方法(hov-fcm)中，所述步驟e中將計算標準向量包括如下步驟：步驟e1:計算每個方向區(qū)間的標準角度，如取b為18，則該18個方向區(qū)間的標準角度angleb為(20,40，60，….，360)，b＝1,2,…b；步驟e2：計算每個方向區(qū)間內(nèi)，每個模區(qū)間的標準模大小，如第2個方向區(qū)間的模最大值為1.5，取值k為50，則該50個模區(qū)間的標準大小為(0.03,0.06,0.09，…，1.5),k＝1,2,…k；步驟e3：計算每個模區(qū)間的標準向量vxbk，vybk分別為模區(qū)間的標準大小magk乘以cos(angleb)和sin(angleb),以公式表示如下：vybk＝magk×cosangleb，vybk＝magk×sinangleb，如計算第2個方向區(qū)間的第3個模區(qū)間的標準向量，則vx23＝mag3×cosangle2＝0.09×cos40＝0.06894vy23＝mag3×sinangle2＝0.09×sin40＝0.06706則該模區(qū)間的標準向量重復(fù)b×k次，計算所有的標準向量本發(fā)明提出的所述針對光流圖快速fcm圖像分割方法(hov-fcm)中，所述步驟f中利用所述隸屬度u計算初始的聚類中心包括如下步驟：步驟f1:利用隨機函數(shù)隨機初始化b×k個標準向量的隸屬度uibk,i＝1,2,…c，滿足0≤uibk≤1，步驟f2:初始化迭代次數(shù)為0；步驟f3：計算求得第i個聚類中心ci＝(cix，ciy)，i＝1,2,…c，所述聚類中心以如下公式表示：式中b表示方向區(qū)間個數(shù)，k表示每個方向區(qū)間內(nèi)的模區(qū)間個數(shù)，m表示模糊指數(shù)，表示每個標準向量區(qū)間內(nèi)的向量個數(shù)，vxbk和vybk表示標準向量的分量，即表示所有向量對聚類中心ci的隸屬度的模糊指數(shù)的和。本發(fā)明提出的所述針對光流圖快速fcm圖像分割方法(hov-fcm)中，所述步驟h中利用所述隸屬度計算初始的聚類中心包括如下步驟：步驟h1：計算當前標準向量與第i個聚類中心向量差的模；步驟h2：重復(fù)c次所述步驟h1求得當前標準向量與第j個聚類中心向量差的模，j＝1,2,…c；步驟h3：計算所述當前標準向量屬于第i個聚類中心的隸屬度步驟h4：重復(fù)b×k次所述步驟h1至步驟h3，計算所述每個標準向量屬于不同聚類中心的隸屬度。本發(fā)明提出的所述針對光流圖快速fcm圖像分割方法(hov-fcm)中，所述步驟i中利用所述計算包括如下步驟：步驟i1:計算所述當前標準向量與第i個聚類中心向量差的模；步驟i2：重復(fù)c次步驟i1，計算所述當前標準向量與每個聚類中心向量差的模；步驟i3：重復(fù)b×k次步驟i2，計算所有標準向量與每個聚類中心向量差的模；步驟i4：計算當期目標函數(shù)j的值，用以下公式表示：本發(fā)明所述的方法，首先將傳統(tǒng)的fcm算法應(yīng)用從一維的灰度圖擴展到二維的光流圖，然后再引入向量方向直方圖，將高維的數(shù)據(jù)映射到少量的標準數(shù)據(jù)上，在保證分割精度的前提下，大大提高了計算速度。為了驗證本方法的有效性，選取了5張640x360大小的帶有干擾的光流圖，分別利用傳統(tǒng)的fcm算法，擴展的vfcm算法，以及本發(fā)明所述的方法hov-fcm，其中利用傳統(tǒng)的fcm是計算每個向量的模，及將二維向量轉(zhuǎn)換到一維的模值，然后根據(jù)模值進行分割；擴展的vfcm即是直接根據(jù)二維的向量進行分割；本發(fā)明所述的方法則是將圖中的所有向量映射到有限的標準向量上，再進行分割。為了保證條件的一致性，使其均可以迭代到相同的次數(shù)，三個算法迭代次數(shù)均為20，為了避免閾值的干擾使迭代過早結(jié)束，閾值取一個較小值，設(shè)為0.1；模糊指數(shù)m均為2；聚類類別c均為2；其中hov-fcm算法中的b為18，k為50；通過對5張640x360大小的光流圖分割，三種算法的計算時間如表一所示，分割效果如圖2所示，可以看出，利用二維向量進行分割明顯比利用一維的模值分割效果要好，同時由于利用二維向量計算量增大，則計算時間要長，但是采用本發(fā)明所述的方法后，計算速度平均提高99.5％以上。本發(fā)明以光流圖為對象，同樣可應(yīng)用于其他的二維/三維向量場/圖。表1：計算時間對比(單位為s)12345fcm87.183.7283.8683.684.42vfcm121.69121.654130.154121.02120.77hov-fcm0.52730.53140.51950.53840.5342本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁12