专利名称：基于空间邻域信息的fcm纹理图像分割方法
技术领域：
本发明属于图像处理技术领域，具体地说是一种聚类分割方法，可用于对纹理图 像的分割。
背景技术：
纹理图像分割是模式识别和计算机视觉中的经典研究课题，至今没有一个通用且 有效的图像分割方法能满足不同的需求。将图像中具有特殊涵义的不同区域分割开来，这 些区域是互相不交叉的，每个区域都满足特定的特性。分割也可以认为是对图像的像素进 行聚类的问题，可根据像素的灰度或纹理特性等特征判别所有像素分别属于哪个子类，在 这个聚类过程中，每一个像素点的特征对应于聚类样本，而每一个图像区域对应于一个聚 类。由于具有符合人类认知特性、描述简洁明晰、易于实现，比传统的硬分割算法能保留 更多的原始图像信息，模糊分割算法越来越引起人们的关注。特别是由Durm提出，后经 BezdekL推广的模糊C均值FCM算法作为一种无监督聚类算法已成功地应用在图像分析、医 疗诊断、目标识别和图像分割等领域。但是，传统的FCM算法没有考虑像素点的空间邻域信 息和相邻像素之间的关系，缺乏空间信息的完整性，而仅仅是将所有的样本作为分散的样 本点进行聚类，这样实际上忽略了很有价值的像素邻域信息。相邻的像素点间具有近似的 特征值，也更有可能属于同一类，因此标准FCM算法对噪声十分敏感，导致分割的结果不能 保持较好的区域一致性，区域内的杂点较多，分割结果不理想。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种基于空间邻域信息的FCM 纹理图像分割方法，以考虑像素点的空间邻域信息，保证空间信息的完整性，减少杂点，保 持分割后的区域一致性，提高分割精度，使分割结果更符合人的视觉。实现本发明目的核心思想是定义一种新的基于空间邻域信息的距离计算方法和 像素点的归属判别准则，不仅考虑特征距离对聚类的影响，而且考虑像素的空间邻域信息 对聚类的影响，以实现能够保持纹理图像分割的区域一致性和提高分割精度，具体实现步 骤包括如下(1)特征提取步骤对纹理图像进行特征提取，即提取纹理图像的灰度共生矩阵 和小波能量特征，得到纹理图像的特征数据集X ；(2)特征数据集X的聚类步骤，它包括(2a)初始化步骤设定聚类数目C和模糊指数m = 2，设定迭代停止阈值ε = 10_3 和最大迭代次数T = 100，初始化隶属度矩阵U(°)，计数器t = 0，C的大小根据纹理图像分 割的区域个数确定，其中，U(t) = [UiJ] (i = l，2，...，C;j = 1，2，...，N)，Uij表示特征数据 集X中的第j个数据点隶属于第i类的隶属度，位于隶属度矩阵U(t)的第i行，第j列，通 过U(°)计算聚类中心V(t) = {νι; v2, ...,VjjVi (i e {1,2..., C})为聚类中心的第i个分 量；
5
(2b)概率计算步骤利用隶属度矩阵U⑴，计算乂和Pu，J (1≤ j≤ N)表示特征数 据集X中的第j个数据点，y表示第j个点空间邻域内的数据点按照最大隶属度原则属于 第i (l ≤ i ≤ c)类的个数
权利要求
一种基于空间邻域信息的FCM纹理图像分割方法，包括(1)特征提取步骤对纹理图像进行特征提取，即提取纹理图像的灰度共生矩阵和小波能量特征，得到纹理图像的特征数据集X；(2)特征数据集X的聚类步骤，它包括(2a)初始化步骤设定聚类数目C和模糊指数m＝2，设定迭代停止阈值ε＝10 3和最大迭代次数T＝100，初始化隶属度矩阵U(0)，计数器t＝0，C的大小根据纹理图像分割的区域个数确定，其中，U(t)＝[uij](i＝1，2，...，C；j＝1，2，...，N)，uij表示特征数据集X中的第j个数据点隶属于第i类的隶属度，位于隶属度矩阵U(t)的第i行，第j列，通过U(0)计算聚类中心V(0)＝{v1，v2，...，vC}，Vi(i∈{1，2...，C})为聚类中心的第i个分量；(2b)概率计算步骤利用隶属度矩阵U(t)，计算和pij，j(1≤j≤N)表示特征数据集X中的第j个数据点，表示第j个点空间邻域内的数据点按照最大隶属度原则属于第i(1≤i≤C)类的个数，表示点j空间邻域内的点属于第i类的概率大小，其中表示第j个点空间邻域内的数据点按照最大隶属度原则属于第r(1≤r≤C)类的个数；(2c)测度距离计算步骤通过下式计算点j到第i个聚类中心的测度距离 <mrow><msubsup> <mi>d</mi> <mi>ij</mi> <mo>*</mo></msubsup><mo>=</mo><msub> <mi>d</mi> <mi>ij</mi></msub><mo>+</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub><mi>p</mi><mi>ij</mi> </msub> <mo>)</mo></mrow><mfrac> <mrow><munder> <mi>Σ</mi> <mrow><mi>k</mi><mo>∈</mo><msub> <mi>W</mi> <mi>j</mi></msub> </mrow></munder><msup> <mrow><mo>(</mo><msub> <mi>d</mi> <mi>ij</mi></msub><mo>-</mo><msub> <mi>d</mi> <mi>ik</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup> </mrow> <mrow><munder> <mi>Σ</mi> <mrow><mi>k</mi><mo>∈</mo><msub> <mi>W</mi> <mi>j</mi></msub> </mrow></munder><msub> <mi>d</mi> <mi>ik</mi></msub> </mrow></mfrac><mo>,</mo> </mrow>其中dij表示点j到第i个聚类中心的欧式距离，dij＝||xj Vi||2，dik表示点j空间邻域内的点k到第i个聚类中心的欧式距离，dik＝||xk Vi||2，Wj表示点j空间邻域，k为空间邻域内的点，xj表示数据集中第j个点，xk表示Wj内的数据点，Vi表示第i个聚类中心；(2d)隶属度矩阵更新步骤通过下式计算点j隶属于第i类的隶属度uij <mrow><msub> <mi>u</mi> <mi>ij</mi></msub><mo>=</mo><msup> <mrow><mo>[</mo><munderover> <mi>Σ</mi> <mrow><mi>c</mi><mo>=</mo><mn>1</mn> </mrow> <mi>C</mi></munderover><msup> <mrow><mo>(</mo><mfrac> <msubsup><mi>d</mi><mi>ij</mi><mrow> <mo>*</mo> <mn>2</mn></mrow> </msubsup> <msubsup><mi>d</mi><mi>cj</mi><mn>2</mn> </msubsup></mfrac><mo>)</mo> </mrow> <mfrac><mn>1</mn><mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn></mrow> </mfrac></msup><mo>]</mo> </mrow> <mrow><mo>-</mo><mn>1</mn> </mrow></msup><mo>,</mo> </mrow>其中dcj表示点j到第c个聚类中心的欧式距离，dcj＝||xj Vc||2，其中，Vc表示第c个聚类中心；(2e)聚类中心矩阵更新步骤通过uij的值分别更新隶属度矩阵U(t)＝[uij](i＝1，2，...，C；j＝1，2，...，N)和聚类中心的第i个分量并通过Vi的值更新聚类中心矩阵V(t)＝{v1，v2，...，vC}；(2f)目标函数计算步骤由U(t)和计算聚类目标函数若||V(t+1) V(t)||＜ε或T＞100，转到步骤(3)，否则，计数器t加1，转到步骤(2b)；其中m为模糊指数，C为所要分的类别数目，N为特征数据集中点的个数；(3)概率计算步骤通过输出的隶属度矩阵U(t)，计算点j空间邻域内的点属于第i类的概率(4)标记步骤按照最大概率原则对图像中的每个数据点的类别进行标记，完成最后的分割。FDA0000029734360000011.tif,FDA0000029734360000012.tif,FDA0000029734360000013.tif,FDA0000029734360000014.tif,FDA0000029734360000022.tif,FDA0000029734360000023.tif,FDA0000029734360000024.tif,FDA0000029734360000025.tif
2. 一种基于空间邻域信息的FCM纹理图像分割系统，包括(1)特征提取装置用于对纹理图像进行特征提取，即提取纹理图像的灰度共生矩阵 和小波能量特征，得到纹理图像的特征数据集X ；(2)特征数据集X的聚类装置，它包括(2a)初始化模块用于设定聚类数目C和模糊指数m= 2，设定迭代停止阈值ε = 10_3 和最大迭代次数T = 100，初始化隶属度矩阵U(°)，计数器t = 0，C的大小根据纹理图像分 割的区域个数确定，其中，U(t) = [UiJ] (i = l，2，...，C;j = 1，2，...，N)，Uij表示特征数据 集X中的第j个数据点隶属于第i类的隶属度，位于隶属度矩阵U(t)的第i行，第j列，通 过U(°)计算聚类中心V(t) = {vi,v2,...,vc}为聚类中心，ViG e {1,2..., C})为聚类中心 的第i个分量；(2b)概率计算模块用于利用隶属度矩阵U(t)，计算乂和Pu，j(l彡j彡N)表示特征数 据集X中的第j个数据点，％表示第j个点空间邻域内的数据点按照最大隶属度原则属于 第i (ι < i < c)类的个数，& =J^;表示点j空间邻域内的点属于第i类的概率大小，其 中巧表示第j个点空间邻域内的数据点按照最大隶属度原则属于第Hl ^r ^C)类的个 数；(2c)测度距离计算模块用于通过下式计算点j到第i个聚类中心的测度距离 Clij表示点j到第i个聚类中心的欧式距离，Clij = I Xj-VJ I2, dik表示点j空间邻域内的点k到第i个聚类中心的欧式距离，dik = I Xk-Vj I2, Wj表示点j空间邻域，k为空间邻域内的点，\表示数据集中第j个点，Xk表示％内的 数据点，Vi表示第i个聚类中心；(2d)隶属度矩阵更新模块用于通过下式计算点j隶属于第i类的隶属度Uij 其中、表示点j到第c个聚类中心的欧式距离，Clej= I Xj-Vc |2，V。表示第c个聚类 中心；(2e)聚类中心矩阵更新模块通过的值分别更新隶属度矩阵U(t) = [UiJ] (i = 1，
全文摘要
本发明公开了一种基于空间邻域信息的FCM纹理图像分割方法，它属于图像处理技术领域，主要解决现有纹理图像分割方法的分割区域一致性不好与分割精度低的问题。其实现过程是(1)对纹理图像进行特征提取，得到图像的特征数据集X；(2)对特征数据集X进行聚类；(3)根据聚类输出的隶属度矩阵，计算出数据点隶属于某一类的概率大小，按照最大概率原则对每个数据点的类别进行标记，完成分割。本发明相对于其它的一些经典的分割方法能够更好保持纹理图像的区域一致性，提了分割精度，使分割结果更符合人的视觉，可用于纹理图像分割和计算机目标识别。
文档编号G06T7/00GK101976438SQ20101052214
公开日2011年2月16日 申请日期2010年10月27日 优先权日2010年10月27日
发明者侯彪, 刘芳, 吉动动, 尚荣华, 焦李成, 王爽 申请人:西安电子科技大学