一种带邻域选择策略的快速模糊C均值聚类图像分割方法与流程

技术邻域本发明涉及图像分割邻域，具体涉及一种带邻域选择策略的快速模糊c均值聚类图像分割方法。
背景技术：
：图像的细节保护一直以来都是图像分割的重点和难点之一，传统的快速模糊c均值聚类图像分割方法(fgfcm)保留边缘效果并不是很好，没有考虑到窗口邻域选择与边缘信息的关系，只选择固定大小的窗口及其目标像素对应的邻域点。技术实现要素：为了克服现有技术存在的缺点与不足，本发明提供一种带邻域选择策略的快速模糊c均值聚类图像分割方法。本发明主要利用对图像进行边缘提取，提取的边缘信息来选择合适大小的窗口及其邻域，窗口邻域选择策略被引入到局部相似度及新图ξ的计算过程中，并采用粒子群算法(pso)获得合适的聚类中心，改进了传统模糊c均值聚类方法，使得图像分割细节得到更好的保护。本发明采用如下技术方案：一种带邻域选择策略的快速模糊c均值聚类图像分割方法，包括如下步骤：s1输入待分割图片，提取图像边缘；s2基于图像边缘的邻域选择策略生成新图ξ；s3根据生成的新图，获取初始聚类中心；s4快速模糊c均值聚类获得最佳聚类划分。所述s2基于图像边缘的邻域选择策略生成新图ξ，具体为：s2.1基于图像边缘进行窗口邻域选择；s2.2结合空间和灰度级信息获得局部相似度量，计算公式如下：i像素是局部窗口的中心，k像素表示i像素的窗口邻域中的像素，该窗口邻域是基于s2.1所述的窗口邻域选择策略获得的，pi，qi是像素i的坐标，xi是窗口邻域的灰度值，λs和λg是两个比例因子；σi定义为：s2.3计算生成新图ξξ计算如下式所示其中，ξi表示图ξ的第i个像素的灰度值，xk表示原图中xi邻域像素的灰度值，该窗口邻域是基于s2.1所述的窗口邻域选择策略获得的，ni是xi的邻域集，sik是第i个像素和第k个像素之间的局部相似度量。s2.1基于图像边缘进行窗口邻域选择，具体为：设定初始窗口大小为5*5，若无边缘落于该窗口内，则选择该窗口作为局部窗口，窗口内的像素点为目标像素邻域；若该窗口内存在边缘，则将窗口扩大为7*7，选择与目标像素边缘同侧的像素点作为邻域。所述λs和λg都设置为2。采用粒子群算法获取初始聚类中心参数。所述s4快速模糊c均值聚类获得最佳聚类划分，具体使j值达到最小获得最佳聚类划分其中，cj是第j类中心，uij是灰度值为i的像素点属于第j类的隶属度，m是图ξ的灰度级数，γi是与i同灰度值的像素点数，m为模糊指数因子，ξi表示图ξ的第i个像素的灰度值；uij与cj间迭代关系如下式所示：具体过程为：s4.1初始化，设置模糊指数因子m、初始迭代计数b2，最高迭代次数t2，迭代阈值ε参数，设置聚类隶属度矩阵初始值u(0)＝ubest、初始聚类中心s4.2利用cj更新类中心cj，利用uij更新隶属度矩阵u(b+1)；s4.3若max{u(b)-u(b+1)}<ε或b2＞t2，则迭代停止，否则，b＝b+1，继续步骤s4.2。模糊指数因子m设为2，迭代计数初始化b2＝0，设置最高迭代次数t2为100次，迭代终止阈值ε设为1e-5。本发明的有益效果：本发明在传统的快速模糊c均值聚类图像分割的方法上，增加了基于边缘的窗口邻域选择策略，对图像分割的细节保护起到了增强的作用。附图说明图1是本发明工作的流程图；图2是本发明搜索类中心流程图；图3是窗口邻域选择策略流程图；图4是聚类流程图；图5(a)为原图，图5(b)为标准图，图5(c)为采用传统方法fgfcm的效果图片，图5(d)为采用本方法分割的图片。具体实施方式下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。实施例如图1-图4所示，一种带邻域选择策略的快速模糊c均值聚类图像分割方法，包括如下步骤：s1输入待分割图片，提取图像边缘；由于canny边缘检测操作较方便且效果较好，选择canny边缘检测，提取图像边缘。s2基于图像边缘的邻域选择策略生成新图ξ，具体为：s2.1通过窗口与边缘的关系选择邻域，可以增强对图像细节的保护，窗口邻域选择，具体的策略如下：(1)设定初始窗口大小为5*5，若无边缘落于该窗口内，则选择该窗口作为局部窗口，窗口内的像素点为目标像素邻域；(2)设定初始窗口大小为5*5，若该窗口内存在边缘，则将窗口扩大为7*7，选择与目标像素边缘同侧的像素点作为邻域。s2.2计算局部相似度；结合空间和灰度级信息获得局部相似度量，计算公式如下，设置公式中的比例因子λs、λg；i像素是局部窗口的中心，k像素表示i像素的窗口邻域中的像素，该窗口邻域是基于s2.1所述的窗口邻域选择策略获得的，pi，qi是像素i的坐标，xi是窗口邻域的灰度值，λs和λg是两个比例因子；σi定义为：式(2)中ni为i像素的窗口邻域像素集合，nr为i像素窗口内邻域像素总个数，该窗口邻域是基于步骤一所述的窗口邻域选择策略获得的。本发明实施例中，λs和λg都设置为2。s2.3计算生成新图ξξ计算如下式所示其中，ξi表示图ξ的第i个像素的灰度值。xk表示原图中xi邻域像素的灰度值，该窗口邻域是基于步骤一所述的窗口邻域选择策略获得的，ni是xi的邻域集。sik是第i个像素和第k个像素之间的局部相似度量。s2.4根据生成的新图，获取初始聚类中心；选择不同的聚类中心会对图像分割起到不同的效果，且为了避免陷入局部最优，本发明利用粒子群算法获取较好的初始聚类中心参数，粒子群算法根据式7、8更新粒子的位置及速度。vij＝w·vij+c1·rand1ij·(pbestij-xij)+c2·rand2ij·(gbestj-xij)(7)xij＝xij+vij(8)其中i＝1，2，…，m，m是该群体中粒子的总数；vij是第i个粒子在第j次循环中的速度；xij为第i个粒子在第j次循环中的位置，pbesij和gbestj分别为第i个粒子在j次循环内的最佳位置和j次循环的全局最优粒子位置；rand1ij和rand2ij是介于(0、1)之间的随机数；c1和c2是学习因子，w为惯性因子。粒子群算法的评判准则用适应度函数来表示，本发明中使用的适应度函数设置为下式9所示，当适应度值越大时，则说明粒子位置更优。fitness＝1/(1+j)(9)如图2所示，初始聚类中心搜索流程，具体搜索过程如下：s2.4.1参数设置设置种群数量、种群数量、学习因子c1和c2、最高迭代次数t1、迭代计数初始化b1、聚类个数c。本发明的仿真实例图5中，种群数量设置为50，种群数量设置为0.5，学习因子c1和c2都设置为0.5，最高迭代次数t1为1000次，迭代计数初始化b1＝1，聚类个数c设为3。s2.4.2随机设置粒子起始位置s2.4.3每个粒子按公式5计算隶属度，按公式9计算适应度，找到每个粒子b1次循环内最优位置及b1次循环内全局最优粒子位置，利用公式10和11更新粒子位置。s2.4.4若迭代次数b1＜t1，则设置迭代次数b1＝b1+1，继续步骤(3)；当b1≥t1，即迭代次数达到最高迭代次数限制时，停止迭代，将获得的全局最优粒子位置作为快速模糊c均值聚类的初始聚类中心并通过5式获得其隶属度矩阵ubest。s4快速模糊c均值聚类获得最佳聚类划分；新图基础上，快速模糊c均值聚类通过使公式4最小化，来获得最佳聚类划分。其中，cj是第j类中心，uij是灰度值为i的像素点属于第j类的隶属度，m是图ξ的灰度级数，γi是与i同灰度值的像素点数，m为模糊指数因子，uij与cj间迭代关系如下式5、6所示：聚类具体步骤如下所示：(1)初始化设置公式(4)、(5)、(6)中的模糊指数因子m、初始迭代计数b2，最高迭代次数t2，迭代阈值ε参数。在步骤3获得新图的基础上，利用步骤4中获得的ubest和cvest，设置聚类隶属度矩阵初始值u(0)＝ubest、初始聚类中心本发明中，模糊指数因子m设为2。迭代计数初始化b2＝0，设置最高迭代次数t2为100次，迭代终止阈值ε设为1e-5。(2)根据公式6更新类中心cj，利用公式5更新隶属度矩阵u(b+1)。(3)若max{u(b)-u(b+1)}<ε或b2＞t2，则迭代停止，否则，b＝b+1，继续步骤(2)图像分割效果判定的标准，即分割准确率(sa)计算公式，与传统方法对比，说明该方法的准确率更高，具体结果见表1，该表为10次实验计算的平均值结果。式中，c为聚类种数，aj为被某种分割方法所找到的属于第j类的像素点集合，cj为标准图中属于第j类的像素点集合，如果sa的值越高，则说明分割效果越好。理想情况下，该值为1。表1fgfcm本文方法0.97700.9820采用本发明方法进行图像分割matlab仿真效果图所示，图5(a)原图，图5(b)为标准图，图5(c)为采用本传统方法fgfcm的效果图片，图5(d)为采用本方法分割的图片，可发现本发明方法图像分割效果较好。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页12