基于类间极大化的pcm聚类技术的图像分割方法
【专利说明】基于类间极大化的PCM聚类技术的图像分割方法 【技术领域】
[0001] 本发明涉及数据挖掘与模式识别技术领域，特别涉及基于聚类分析的图像分割方 法。 【【背景技术】】
[0002] 图像分割是将图像分成各具特性的区域并提取出有效目标的技术和过程，它是图 像处理到图像分析的重要环节，而分割的目标是指基于成像数据集的信息，将图像中的对 象分为不同的区域或类别，本质上，图像分割就是对像素进行聚类的过程。图像分割算法在 很多领域应用中都发挥着至关重要的作用，比如医疗生物，军事，遥感，气象等等。现有的分 割算法大致可以分为以下几类 [2]:基于阈值的分割算法、基于检测的、基于区域的、基于聚 类的以及基于一些特定理论工具的方法等。最初的图像分割是采取手动分割，此类方法很 复杂并且非常耗时，随之出现了自动分割，它在图像分析过程中是一个非常重要的领域，之 后基于人工智能的图像分割被相继提出。近年来，FCM的无监督聚类技术被广泛用于图像 分析的自动分割过程中。
[0003] 聚类分析是指在无先验知识的情况下将数据划分到不同的类别，且保证同一个类 内的对象保持最大的相似性，而类间的对象有较大的差异性。聚类分析已经广泛应用于很 多领域，包括医疗图像的分割、市场研宄、模式识别、数据分析以及图像处理等等。聚类算法 的类型有很多，但主要分为两大类：硬聚类和软聚类。硬聚类算法典型的有基于硬划分的 k-means算法，而软聚类是以基于软划分的FCM算法为代表，此处的软硬即表示隶属度的模 糊程度区别，隶属度越模糊则"软"的程度越大，隶属度越精确则越偏向"硬"的程度。
[0004] FCM算法是在模糊理论中最具有代表性的算法，由Dunn最先提出并由Bezdek推 广。尽管FCM在图像分割过程中有很大的优势，但是FCM算法中样本的隶属度和为1的约 束条件使其对噪声点与野值点很敏感。为了克服FCM的这个缺点，一些以FCM为基础的算 法相继提出，比较突出的有，PFCM，CFCM以及一些与核函数相结合的算法如：KFCM。其中，最 为突出的是Krishnapuram和Keller提出的可能性C-均值算法（PCM)。由于放松了隶属 度和为1的约束条件，PCM比FCM在处理噪声与野值点方面更具有鲁棒性。尽管在处理噪 声方面，PCM比FCM更具优越性，但是在处理类间重叠性较高的数据时，PCM并没有充分考虑 类中心之间的距离，这使得PCM聚类算法在处理聚类中心重合现象时，仍然达不到令人满 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，通过核 函数把原始空间中的点映射到特征空间中，在特征空间中直接或间接的进行算法设计、分 析与计算，从而得到原始空间的聚类划分，此类算法具有发现非凸聚类结构的能力，从低维 映射到高维进行聚类，降低了时间复杂度，但是从大量的实验结果分析显示，仍然遗留了原 始算法中存在的一些问题，对参数的初始化较为敏感，而且容易形成重合聚类。此外，也有 人提出了加强子空间聚类的算法，相比于其它算法，此算法考虑到了类中心距离的问题，但 是不足之处在于，它考虑了各个类中心与这些类中心的中心点之间距离的极大化，并没有 考虑到类中心彼此之间距离的极大化。 【
【发明内容】
】
[0005] 本发明的目的在于为了使得PCM算法能够处理类间重叠性较高的数据集，本发明 在PCM算法的基础上，引入类间极大惩罚项和调控因子X，构造全新的目标函数，通过调节 调控因子来控制类间的距离，从而避免了聚类中心位置较近甚至重合现象的发生。
[0006] 为了达到本发明的目的，根据本发明的聚类方法在图像分割的应用，能够有效的 解决中心靠近甚至重合的问题，本发明充分考虑了类与类之间的信息。将聚类中心点之间 的距离与隶属度矩阵之间的乘积求和，并且引入调控因子，对类与类之间的相似性作为目 标函数的第三项，并通过调控因子实现对类间的距离调节控制，实现聚类中心之间的距离 最大化。而具体的在图像分割方面的方法包括对输入图像的像素点，根据灰度值进行分类 标签；将聚类分析方法用于对目标图像的分割时得到聚类标签；聚类方法进行图像分割得 到的标签与原始标签依据评价指标进行性能评价。
[0007] 给定样本空间X= {Xl，x2, . . .，Xj，则FCM算法的目标函数可表示为：
【主权项】
1. 一种基于类间极大化的PCM聚类算法的图像分割方法，其特征在于，所述方法包括： 对输入图像的像素点根据灰度值进行分类标签； 将聚类分析方法用于对目标图像的分割时得到聚类标签； 聚类方法进行图像分割得到的标签与原始标签依据评价指标进行性能评价。
2. 根据权利要求1所述的类间极大化的PCM聚类算法，所述对输入图像的像素点根据 灰度值进行分类标签： 聚类个数C= 4,类标签根据像素点的灰度值来划分；灰度值0到63之间的像素点标 签为第1类；灰度值64至Ij127之间的像素点标签为第2类；灰度值128到191之间的像素 点标签为第3类；灰度值192到255之间的像素点标签为第4类。
3. 根据权利要求2所述的类间极大化的PCM聚类算法，其特征在于，加入类间极大项的 类间极大化的PCM算法（简称MPCM)的目标函数为：
4. 根据权利要求2所述的类间极大化的PCM聚类算法，根据聚类原则的算法机制得 到：
进而得到其隶属度和聚类中屯、的迭代公式如下：
5. 根据权利要求1所述的类间极大化的PCM聚类算法，将聚类分析方法用于对目标图 像的分割时得到聚类标签： 隶属度矩阵uw及聚类中屯、V的优化过程与PCM-致，通过迭代寻优的方式进行，调控 因子A参数的取值范围在实验部分给出，通过U，V相互迭代更新的过程中，直至找到U，V 的最优值为止。进一步根据隶属度矩阵，可得出图像中的每个像素点根据聚类分析所得到 的标签类别。
6.根据权利要求1所述的类间极大化的PCM聚类算法，聚类方法进行图像分割得到的 标签与原始标签依据评价指标进行性能评价包括： 根据原始标签与依据聚类分析方法进行图像分割得到的标签依据两类指标进行性能 评价。本发明选用W下两大指标，对聚类的结果进行评价，通过两个标准可W直观的评价此 算法的性能，且两类指标的值越大代表性能越佳。Randindex评价指标；
其中；f。。表示数据点具有不同的类标签，且属于不同类的数据点数目；f11表示具有相 同的类标签，且属于同一类别的数据点数目；N表示样本的容量大小。 醒I评价指标：
其中；Ny表示第i个聚类与类j之间的契合度；N表示样容量的大小；Ni表示第i个 聚类的样本数目；Nj.表示第j个聚类的样本数目。
【专利摘要】本发明揭露了一种基于类间极大化的PCM聚类算法的图像分割方法，所述方法包括对输入图像的像素点根据灰度值进行分类标签；将聚类分析方法用于对目标图像的分割时得到聚类标签；聚类方法进行图像分割得到的标签与原始标签依据评价指标进行性能评价。本发明通过一种新的称之为类间极大化的PCM算法(MPCM)聚类算法，考虑了对类间的惩罚，通过调控参数，拉大类中心的之间的距离，实现图像中像素点的最佳分类。
【IPC分类】G06K9-62
【公开号】CN104794483
【申请号】CN201510134259
【发明人】狄岚, 彭茜
【申请人】江南大学
【公开日】2015年7月22日
【申请日】2015年3月24日