基于類間極大化的pcm聚類技術(shù)的圖像分割方法
【專利說明】基于類間極大化的PCM聚類技術(shù)的圖像分割方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)據(jù)挖掘與模式識別技術(shù)領(lǐng)域，特別涉及基于聚類分析的圖像分割方 法。 【【背景技術(shù)】】
[0002] 圖像分割是將圖像分成各具特性的區(qū)域并提取出有效目標(biāo)的技術(shù)和過程，它是圖 像處理到圖像分析的重要環(huán)節(jié)，而分割的目標(biāo)是指基于成像數(shù)據(jù)集的信息，將圖像中的對 象分為不同的區(qū)域或類別，本質(zhì)上，圖像分割就是對像素進(jìn)行聚類的過程。圖像分割算法在 很多領(lǐng)域應(yīng)用中都發(fā)揮著至關(guān)重要的作用，比如醫(yī)療生物，軍事，遙感，氣象等等?，F(xiàn)有的分 割算法大致可以分為以下幾類 [2]:基于閾值的分割算法、基于檢測的、基于區(qū)域的、基于聚 類的以及基于一些特定理論工具的方法等。最初的圖像分割是采取手動分割，此類方法很 復(fù)雜并且非常耗時，隨之出現(xiàn)了自動分割，它在圖像分析過程中是一個非常重要的領(lǐng)域，之 后基于人工智能的圖像分割被相繼提出。近年來，F(xiàn)CM的無監(jiān)督聚類技術(shù)被廣泛用于圖像 分析的自動分割過程中。
[0003] 聚類分析是指在無先驗知識的情況下將數(shù)據(jù)劃分到不同的類別，且保證同一個類 內(nèi)的對象保持最大的相似性，而類間的對象有較大的差異性。聚類分析已經(jīng)廣泛應(yīng)用于很 多領(lǐng)域，包括醫(yī)療圖像的分割、市場研宄、模式識別、數(shù)據(jù)分析以及圖像處理等等。聚類算法 的類型有很多，但主要分為兩大類：硬聚類和軟聚類。硬聚類算法典型的有基于硬劃分的 k-means算法，而軟聚類是以基于軟劃分的FCM算法為代表，此處的軟硬即表示隸屬度的模 糊程度區(qū)別，隸屬度越模糊則"軟"的程度越大，隸屬度越精確則越偏向"硬"的程度。
[0004] FCM算法是在模糊理論中最具有代表性的算法，由Dunn最先提出并由Bezdek推 廣。盡管FCM在圖像分割過程中有很大的優(yōu)勢，但是FCM算法中樣本的隸屬度和為1的約 束條件使其對噪聲點(diǎn)與野值點(diǎn)很敏感。為了克服FCM的這個缺點(diǎn)，一些以FCM為基礎(chǔ)的算 法相繼提出，比較突出的有，PFCM，CFCM以及一些與核函數(shù)相結(jié)合的算法如：KFCM。其中，最 為突出的是Krishnapuram和Keller提出的可能性C-均值算法（PCM)。由于放松了隸屬 度和為1的約束條件，PCM比FCM在處理噪聲與野值點(diǎn)方面更具有魯棒性。盡管在處理噪 聲方面，PCM比FCM更具優(yōu)越性，但是在處理類間重疊性較高的數(shù)據(jù)時，PCM并沒有充分考慮 類中心之間的距離，這使得PCM聚類算法在處理聚類中心重合現(xiàn)象時，仍然達(dá)不到令人滿 意的效果。有人提出了基于核的可能性C-均值算法（KPCM)，是基于核算法的思想，通過核 函數(shù)把原始空間中的點(diǎn)映射到特征空間中，在特征空間中直接或間接的進(jìn)行算法設(shè)計、分 析與計算，從而得到原始空間的聚類劃分，此類算法具有發(fā)現(xiàn)非凸聚類結(jié)構(gòu)的能力，從低維 映射到高維進(jìn)行聚類，降低了時間復(fù)雜度，但是從大量的實驗結(jié)果分析顯示，仍然遺留了原 始算法中存在的一些問題，對參數(shù)的初始化較為敏感，而且容易形成重合聚類。此外，也有 人提出了加強(qiáng)子空間聚類的算法，相比于其它算法，此算法考慮到了類中心距離的問題，但 是不足之處在于，它考慮了各個類中心與這些類中心的中心點(diǎn)之間距離的極大化，并沒有 考慮到類中心彼此之間距離的極大化。 【
【發(fā)明內(nèi)容】
】
[0005] 本發(fā)明的目的在于為了使得PCM算法能夠處理類間重疊性較高的數(shù)據(jù)集，本發(fā)明 在PCM算法的基礎(chǔ)上，引入類間極大懲罰項和調(diào)控因子X，構(gòu)造全新的目標(biāo)函數(shù)，通過調(diào)節(jié) 調(diào)控因子來控制類間的距離，從而避免了聚類中心位置較近甚至重合現(xiàn)象的發(fā)生。
[0006] 為了達(dá)到本發(fā)明的目的，根據(jù)本發(fā)明的聚類方法在圖像分割的應(yīng)用，能夠有效的 解決中心靠近甚至重合的問題，本發(fā)明充分考慮了類與類之間的信息。將聚類中心點(diǎn)之間 的距離與隸屬度矩陣之間的乘積求和，并且引入調(diào)控因子，對類與類之間的相似性作為目 標(biāo)函數(shù)的第三項，并通過調(diào)控因子實現(xiàn)對類間的距離調(diào)節(jié)控制，實現(xiàn)聚類中心之間的距離 最大化。而具體的在圖像分割方面的方法包括對輸入圖像的像素點(diǎn)，根據(jù)灰度值進(jìn)行分類 標(biāo)簽；將聚類分析方法用于對目標(biāo)圖像的分割時得到聚類標(biāo)簽；聚類方法進(jìn)行圖像分割得 到的標(biāo)簽與原始標(biāo)簽依據(jù)評價指標(biāo)進(jìn)行性能評價。
[0007] 給定樣本空間X= {Xl，x2, . . .，Xj，則FCM算法的目標(biāo)函數(shù)可表示為：
【主權(quán)項】
1. 一種基于類間極大化的PCM聚類算法的圖像分割方法，其特征在于，所述方法包括： 對輸入圖像的像素點(diǎn)根據(jù)灰度值進(jìn)行分類標(biāo)簽； 將聚類分析方法用于對目標(biāo)圖像的分割時得到聚類標(biāo)簽； 聚類方法進(jìn)行圖像分割得到的標(biāo)簽與原始標(biāo)簽依據(jù)評價指標(biāo)進(jìn)行性能評價。
2. 根據(jù)權(quán)利要求1所述的類間極大化的PCM聚類算法，所述對輸入圖像的像素點(diǎn)根據(jù) 灰度值進(jìn)行分類標(biāo)簽： 聚類個數(shù)C= 4,類標(biāo)簽根據(jù)像素點(diǎn)的灰度值來劃分；灰度值0到63之間的像素點(diǎn)標(biāo) 簽為第1類；灰度值64至Ij127之間的像素點(diǎn)標(biāo)簽為第2類；灰度值128到191之間的像素 點(diǎn)標(biāo)簽為第3類；灰度值192到255之間的像素點(diǎn)標(biāo)簽為第4類。
3. 根據(jù)權(quán)利要求2所述的類間極大化的PCM聚類算法，其特征在于，加入類間極大項的 類間極大化的PCM算法（簡稱MPCM)的目標(biāo)函數(shù)為：
4. 根據(jù)權(quán)利要求2所述的類間極大化的PCM聚類算法，根據(jù)聚類原則的算法機(jī)制得 到：
進(jìn)而得到其隸屬度和聚類中屯、的迭代公式如下：
5. 根據(jù)權(quán)利要求1所述的類間極大化的PCM聚類算法，將聚類分析方法用于對目標(biāo)圖 像的分割時得到聚類標(biāo)簽： 隸屬度矩陣uw及聚類中屯、V的優(yōu)化過程與PCM-致，通過迭代尋優(yōu)的方式進(jìn)行，調(diào)控 因子A參數(shù)的取值范圍在實驗部分給出，通過U，V相互迭代更新的過程中，直至找到U，V 的最優(yōu)值為止。進(jìn)一步根據(jù)隸屬度矩陣，可得出圖像中的每個像素點(diǎn)根據(jù)聚類分析所得到 的標(biāo)簽類別。
6.根據(jù)權(quán)利要求1所述的類間極大化的PCM聚類算法，聚類方法進(jìn)行圖像分割得到的 標(biāo)簽與原始標(biāo)簽依據(jù)評價指標(biāo)進(jìn)行性能評價包括： 根據(jù)原始標(biāo)簽與依據(jù)聚類分析方法進(jìn)行圖像分割得到的標(biāo)簽依據(jù)兩類指標(biāo)進(jìn)行性能 評價。本發(fā)明選用W下兩大指標(biāo)，對聚類的結(jié)果進(jìn)行評價，通過兩個標(biāo)準(zhǔn)可W直觀的評價此 算法的性能，且兩類指標(biāo)的值越大代表性能越佳。Randindex評價指標(biāo)；
其中；f。。表示數(shù)據(jù)點(diǎn)具有不同的類標(biāo)簽，且屬于不同類的數(shù)據(jù)點(diǎn)數(shù)目；f11表示具有相 同的類標(biāo)簽，且屬于同一類別的數(shù)據(jù)點(diǎn)數(shù)目；N表示樣本的容量大小。 醒I評價指標(biāo)：
其中；Ny表示第i個聚類與類j之間的契合度；N表示樣容量的大??；Ni表示第i個 聚類的樣本數(shù)目；Nj.表示第j個聚類的樣本數(shù)目。
【專利摘要】本發(fā)明揭露了一種基于類間極大化的PCM聚類算法的圖像分割方法，所述方法包括對輸入圖像的像素點(diǎn)根據(jù)灰度值進(jìn)行分類標(biāo)簽；將聚類分析方法用于對目標(biāo)圖像的分割時得到聚類標(biāo)簽；聚類方法進(jìn)行圖像分割得到的標(biāo)簽與原始標(biāo)簽依據(jù)評價指標(biāo)進(jìn)行性能評價。本發(fā)明通過一種新的稱之為類間極大化的PCM算法(MPCM)聚類算法，考慮了對類間的懲罰，通過調(diào)控參數(shù)，拉大類中心的之間的距離，實現(xiàn)圖像中像素點(diǎn)的最佳分類。
【IPC分類】G06K9-62
【公開號】CN104794483
【申請?zhí)枴緾N201510134259
【發(fā)明人】狄嵐, 彭茜
【申請人】江南大學(xué)
【公開日】2015年7月22日
【申請日】2015年3月24日