本发明涉及图像处理、图像识别领域。
背景技术：
随着智能技术的飞速发展，其在生活中也得到了广泛应用，智能家居技术便是其重要产物之一。智能家居的设备多样，其中摄像头可展示最为立体化的场景。通过摄像头可及时而有效地监控所关心区域的动态，一旦发现意外情况可及时处理，这对于做好重要区域的安防工作有较大帮助。图像分割是作为图像处理和图像识别的重要步骤，也逐渐成为该领域研究者研究的热点。
当前，图像的分割有多重方法，如阈值分割、边缘检测、直线提取法、区域生长和区域合并、模糊C-均值算法(Fuzzy C-Means)等，这些算法根据不同的应用场景可有多种变形。
基于聚类的图像分割算法是其中较为常见的一种。聚类分析的目标是：同一组内的对象是相似的，而不同组中的对象是不同的；同一组内的相似性越大，不同组间差别越大，则聚类效果越好，即达到高内聚低耦合的效果。聚类算法分为基于划分的聚类分析算法、基于层次的聚类分析算法、基于密度的聚类分析算法、基于网格的聚类分析算法和基于模型的聚类分析算法。
聚类算法FCM进行图像分割的优点是避免了设定阈值的问题，并能解决阈值化分割难以解决的多个分支的分割问题；聚类过程中不需要任何人工干预，很适合于自适应图像分割的应用领域聚类类别数的确定，不同的值会导致结果差异较大；初始类中心和初始隶属度矩阵的确定，会导致聚类结果局部最优。
技术实现要素：
针对上述不足之处，本发明提出一种新的分割算法，首先基于图像的颜色特征，根据图像的颜色的RGB特征值，对图像进行分割处理，并计算每一份的平均RGB值，将这些值作为初始数据集，通过目标函数进行划分，然后定义邻接矩阵进行运算，最后进行邻接迭代得到最优的聚类类别，然后进行聚类还原，得到图像的分割效果图。
本发明的目的是：得到精确的聚类类别数和稳定的聚类结果
本发明为实现上述目的所采用的技术方案是：一种图像分割算法，该算法的步骤如下：
步骤1：图像特征数据采集，得到初始数据集；
步骤2：对初始数据集预处理，得到矩阵；
步骤3：进行矩阵运算得到聚类结果矩阵；
步骤4：迭代获取最优的聚类类别和稳定的聚类结果；
步骤5：得到最优聚类类别数后，将相同类别的像素点聚成一类，利用图像
处理的方法将图像还原，最终得到图像分割的效果图。
本发明的有益效果是：将聚类分析算法有效地与图像分割进行结合；它能有效的与经典聚类算法结合，利用经典聚类算法对初始数据进行处理，同时克服了经典聚类算法人为确定初始聚类中心和聚类类别数而导致的局部聚类最优，通过多次迭代的方式自适应地得到精确的聚类类别数和稳定的聚类结果。
具体实施方式
以下详细描述本发明。
一、图像特征数据采集
将待分割图像，按照图像像素大小均匀分成若干等分，可以分成8×8，16×16，32×32大小，一般来说分块方案按照图像像素来决定。分好块以后，计算出每一等份中的像素的平均RGB值，并以该值作为该份的代表值，将这些代表值作为后续算法的初始数据集。
xj表示第j块图像块的平均RGB值，i表示第j块图像块中第i个像素，R/G/B分别表示像素对应的RGB值。
二、数据集预处理
将xj放入数据集X中，X＝{x1，x2，...，xi}，将聚类目标函数表示为：
由此得到参数uij，
其中，参数uij是数据点xi对于类别j的模糊隶属度，每个样本点的隶属度之和均为1，dij＝ci-xj为第i组聚类中心与第j个数据点之间的欧几里得距离，m是加权指数。
通过公式聚类后，X集被划分为C类，并通过参数可以得到C×N的U矩阵：
其中，c∈[2，N]，
三、矩阵运算
首先，定义一维向量L＝[l1，l2...，lN]，其中lj为U矩阵j列uij最大下表i的值，每个lj表示对应的xj所属的类别。
其次，定义判别矩阵O，该矩阵完全由一维向量L的值所决定：
O矩阵实际上表示的是数据点之间的关系，若Oij＝1，则说明xi和xj在同一类别中，若oii＝0，则说明两个点不在一个类别中，所以O矩阵即是在给定类别数后产生的聚类结果矩阵。
四、迭代获取最优结果
为了得到最优的聚类类别和稳定的聚类结果，需要通过多次迭代。
定义迭代判别矩阵：
判别矩阵J包含了所有数据点之间的关系，矩阵中的值越大，说明两点之间的联系越强，被聚成一类的可能性越大。迭代过程是将J矩阵每次递减1，直到变成零矩阵，每递减一次，通过图的广度优先搜索算法计算J矩阵对应的邻接图的子图数量M，将结果存入一维向量Y＝[M1，M2...，MN]中，找出Y中出现次数最多的MK，该值即为最优的聚类类别数，得到的聚类结果也是稳定的。
五、分割得到效果图
通过上述过程可以得到最优聚类类别数，即为图像分割的类别数以及每个像素点所属类别，将相同类别的像素点聚成一类，利用图像处理的方法将图像还原，最终得到图像分割的效果图。