一种FCM图像分割方法和系统与流程

本发明涉及一种FCM图像分割方法和系统，特别是涉及一种模糊聚类分割的图像分割方法和系统。
背景技术：
：图像分割是图像处理和计算机视觉的一个重要过程。图像分割就是把图像分割成若干个特定的，具有独特性质的区域并提出感兴趣目标的技术和过程。聚类分割方法中的模糊聚类方法(即FCM算法)已成功运用在医学图像处理、人工智能、模式识别等各个方面。FCM算法在硬分类的基础上添加了隶属度函数，使得每个样本点不再属于某一确定的类，而是以一定的百分比隶属于不同的类。FCM算法目标函数如下：N代表一幅图像中的样本点个数，通常样本点个数与图像中像素点相同；c为聚类个数，c∈[1,N]；i是所选邻域窗口的中心像素点(比如3*3大小的窗口)；xi表示图像中第i个点的灰度值，vk表示第k个聚类中心的灰度值；||xi-vk||表示原始图像中第i个点和第k个聚类中心的灰度值差；uki是第i点属于第k类的隶属度，即第i个点属于第k个聚类中心的概率，并且m∈[1,+∞)是隶属度的加权指数，一般设定为2。这就使得传统的FCM较硬分类来说，能够保持更多的图像信息。但是FCM算法并没有考虑到周围邻域的信息，使得FCM算法对噪声非常的敏感，无法区别噪声点与非噪声点，对噪声的鲁棒性比较小。随着噪声的增大，算法性能越来越差，甚至无法实现低噪声环境下的有效图像分割。FCM_S算法在FCM算法的基础上考虑了周围邻域的信息，使得中心点的类别受周围邻域点类别的影响，这大大增强了对噪声和奇异点的鲁棒性。但是在每次迭代过程中都要对周围邻域点进行计算，使得算法非常耗时。EnFCM算法和FGFCM算法将原始图片和它的局部邻域做一个权值运算，得到一个新的线性权值图片，然后再按照像素灰度级对图片进行聚类，这使得聚类算法速度得到很大的提高。但是权值运算会模糊掉图像的细节部分。除了FCM算法外的上述算法，都需要有参数控制，参数的选择需要经验和大量的实验来确定，因此算法自主性不好。而FLICM算法不需要任何人为设定的参数，同时加入了局部空间和局部灰度值信息，使得算法在保持图像细节的同时还对噪声具有一定的鲁棒性。但是，在噪声比例较大的情况下，FLICM算法并不能实现很好的聚类。技术实现要素：有鉴于此，本发明实施例的目的是提供一种FCM图像分割方法和系统，解决在较高噪声环境下模糊聚类方法不能有效完成图像分割的技术问题。本发明的FCM图像分割方法，包括迭代过程，在所述迭代过程中包括：在迭代过程的当前迭代中，通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧式距离，形成当前迭代的模糊因子Giter，所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点；在迭代过程的当前迭代中，通过当前迭代的模糊因子Giter和前次迭代的聚类中心Viter-1，形成当前迭代的隶属度Uiter；在迭代过程的当前迭代中，根据当前迭代的隶属度Uiter，形成当前迭代的聚类中心Viter。本发明的FCM图像分割系统，包括迭代模块，用于形成迭代过程，所述迭代模块包括：模糊因子生成单元，用于在迭代过程的当前迭代中，通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧式距离，形成当前迭代的模糊因子Giter，所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点；隶属度生成单元，用于在迭代过程的当前迭代中，通过当前迭代的模糊因子Giter和前次迭代的聚类中心Viter-1，形成当前迭代的隶属度Uiter；聚类中心生成单元，用于在迭代过程的当前迭代中，根据当前迭代的隶属度Uiter，形成当前迭代的聚类中心Viter。本发明实施例的的FCM图像分割方法和系统，在传统FCM算法基础上，形成一种新的模糊因子，并将该模糊因子引入传统FCM算法中。该模糊因子改变了传统欧氏距离约束方式，将空间邻域点与中心点的灰度值差加入到距离约束上，该模糊因子具有强噪声的高鲁棒性，而且对噪声图像分割后的图像边缘的细节部分也能较好保持。该模糊因子具有自适应性，不需要人工设定参数，能够根据不同的图像和不同程度的噪声自动实现较为理想的分割效果。通过高噪声图像分割实验的数据验证，本发明FCM图像分割方法不仅能够在低噪声的情况下实现很好的聚类，而且在高噪声的情况下，其聚类效果也比其他FCM的改进算法更好。附图说明图1a为本发明FCM图像分割方法一实施例的图像分割的迭代过程流程图。图1b为本发明FCM图像分割方法一实施例的输入待处理图像、分割隶属度及聚类中心初始化和迭代过程的流程图。图2为针对包含混合噪声图像进行图像分割时，本发明FCM图像分割方法一实施例与其他FCM图像分割方法的效果对比示意图。图3为针对包含高斯噪声图像进行图像分割时，本发明FCM图像分割方法另一实施例与其他图像分割方法的效果对比示意图。图4为本发明FCM图像分割系统一实施例的架构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图纸中的步骤编号仅用于作为该步骤的附图标记，不表示执行顺序。图1a为本发明FCM图像分割方法一实施例中图像分割的迭代过程流程图。如图1所示图像分割的迭代处理过程包括：s11：在迭代过程的当前迭代中，通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧式距离，形成当前迭代的模糊因子Giter；需要说明的是在迭代过程的第一次迭代中，前次迭代的聚类中心Viter-1为初始聚类中心V0，前次迭代的隶属度Uiter-1为初始隶属度U0，初始聚类中心V0包括预设数量个聚类中心点。s12：在迭代过程的当前迭代中，通过当前迭代的模糊因子Giter和前次迭代的聚类中心Viter-1，形成当前迭代的隶属度Uiter；s13：在迭代过程的当前迭代中，根据当前迭代的隶属度Uiter，形成当前迭代的聚类中心Viter。本实施例的FCM图像分割方法，在FCM图像分割算法的基础上，在迭代处理过程引入的模糊因子，利用了邻域点局部空间信息和邻域点与聚类中心的灰度值信息，能够提高样本点对于噪声点的抗干扰性。图1b为本发明另一实施例的FCM图像分割方法的流程图，包括输入待处理图像的过程、分割过程初始化的过程和迭代过程。如图1b所示，输入待处理图像的过程包括：步骤a：输入待处理图像；待处理图像含有噪声，噪声类型包括但不限于高斯噪声和椒盐噪声，噪声信噪比在此不做具体限定。分割过程初始化的过程包括：步骤b：初始化设定模糊指数m、迭代停止阈值ε和最大迭代次数maxIter，并初始化聚类个数c和邻域窗口W；这些基本参数与FCM算法中的含义相同。区别在于本实施例的FCM图像分割方法还包括邻域窗口W的设定，通常为是邻域点的个数，比如一个3*3大小的窗口，W等于9。迭代停止阈值ε通常选择为1e-5，最大迭代次数maxIter小于500。步骤c：利用0至1之间的随机数初始化隶属度U0，并利用初始的隶属度U0计算第0次(即初次迭代)的初始化聚类中心V0；初始化聚类中心V0包含c个聚类中心；初始化的隶属度U0用于第0次迭代的聚类中心V0计算，计算过程与FCM算法的初始化过程相同。初始化过程可以先初始化聚类中心，也可以先初始化隶属度，初始化的顺序不受限定。迭代过程包括：步骤d:在迭代过程的当前迭代中，通过待处理图像的样本点获取样本点的邻域点，并形成邻域点与前次迭代的聚类中心的灰度值差；具体的，对于(当前迭代的)第iter次迭代，iter＝1,2,…,maxIter，计算图像样本点周围的邻域点，并利用计算出来的邻域点，求得邻域点与(前次迭代的)聚类中心Viter-1的灰度值差。步骤e：在迭代过程的当前迭代中，通过样本点的邻域点与前次迭代的聚类中心的灰度值差、前次迭代的隶属度和空间欧式距离，形成当前迭代的模糊因子；具体的，对于(当前迭代的)第iter次迭代，iter＝1,2,…,maxIter，利用样本点的邻域点与聚类中心Viter-1的灰度值差、(前次迭代的)隶属度Uiter-1和样本点与邻域点的空间欧式距离，计算(当前迭代的)第iter次迭代的模糊因子Giter。步骤f：在迭代过程的当前迭代中，通过当前迭代的模糊因子和前次迭代的聚类中心，形成当前迭代的隶属度；具体的，利用(当前迭代的)模糊因子Giter和(前次迭代的)聚类中心Viter-1计算(当前迭代的)第iter次迭代的隶属度Uiter，iter＝1,2,…,maxIter。步骤g：在迭代过程的当前迭代中，根据当前迭代的隶属度，形成当前迭代的聚类中心；具体的，根据(当前迭代的)隶属度Uiter，重新计算(当前迭代的)第iter次迭代的聚类中心Viter。步骤h：判断(当前迭代的)第iter次迭代前后的隶属度值差是否小于迭代停止阈值ε或者迭代次数iter是否超过最大迭代次数maxIter时，如果否，重复步骤d与步骤g进行下一次迭代计算隶属度和聚类中心，直至满足该条件为止；如果是，则执行步骤i：完成图像分割并输出分割后的图像。本发明实施例的FCM图像分割方法，通过引入特定的模糊因子，能够自动的控制噪声的鲁棒性和图片细节保持性的平衡，不需要任何参数的限制；并且本发明利用了局部空间信息和灰度值信息，使得算法更灵活，能够更好的保持图片的细节；同时本发明具有高鲁棒性，能够提高中心点对于噪声点的抗干扰性。本发明的目标函数如下：式1中N代表一幅图像中的样本点个数，本发明实施例的FCM图像分割方法，首次引入了一个新的基于灰度空间距离约束模糊因子Gki，模糊因子控制了邻域点对中心像素点的影响。本发明的模糊因子定义如下：式2中，Ni表示原始图片中第i个点邻域窗口(一般是3*3)。dit是中心点i到周围邻域点t的欧式距离，控制了周围邻域点对中心像素点的影响，使得距离远的邻域点对中心像素点的影响较小，距离近的邻域点对中心像素点的影响较大。k∈[1,c],c是聚类中心的个数，也就是图像能够被分为几类。t＝1，2，…，W，t是图像中第i个像素点的邻域点t，ukt表示邻域点t属于前次迭代的第k个聚类中心的程度。||xt-vk||表示原始图像中第t个点和第k个聚类中心的灰度值差，这第t个点是原始图片中第i点邻域窗口内的点。本发明在欧氏距离dit上引用邻域点与中心点的灰度值差，由于中心点的灰度值随着每次迭代都在不断的变化，所以邻域点的每个点对中心点的影响在不断变化。邻域点与中心点的灰度值差比较小，即邻域点与中心点比较相似，该邻域点对中心点的影响就会增大；反之，邻域点与中心点的灰度差比较大，该邻域点对中心点的影响就会减少，所以本发明对噪声和奇异点具有更强的鲁棒性。在上述实施例基础上，在本发明另一实施例的FCM图像分割方法中，包括一种对待处理图像的预处理过程，包括：步骤a1：判断待处理的图像是否是灰度图像，如果不是将彩色图像转化为灰度图像；步骤a2：获取待处理图像的分辨率，包括长度像素点数和宽度像素点数。本处理过程可以简化待处理图像的复杂度，在保留用于图像分割的灰度信息时简化彩色信号处理过程。通过确定样本点最大值，确定迭代过程处理规模，预先分配处理资源，提高迭代过程计算效率。上述实施例基础上，在本发明另一实施例的FCM图像分割方法中，包括一种利用初始隶属度U0形成初始聚类中心V0的初次迭代过程，利用随机函数初始化隶属度值，形成初始化隶属度U0；根据图像各样本点特征值的初始化隶属度U0计算初始化聚类中心V0。具体包括：步骤c1：利用随机函数随机初始化c-1个隶属度值uki，步骤c2：计算第c个隶属度，步骤c3：初始化迭代次数为0；步骤c4：计算求得第k个聚类中心vk，循环c次得到第0次迭代的c个聚类中心vk，得到第0次迭代的聚类中心V0＝(v1,v2,…,vc)，k∈[1,c]；聚类中心vk以如下公式表示：式3中，vk表示当前迭代的聚类中心，N表示图像中样本点的总数，m表示模糊指数，xi表示图像中第i个点的灰度值，uki表示前次迭代中邻域点i属于第k个聚类中心的程度。本处理过程获得待处理图像各样本点的初始的隶属度和聚类中心，形成迭代计算的运算基础。在上述实施例基础上，本发明另一实施例的FCM图像分割方法中，包括一种样本点的邻域点与聚类中心Viter-1形成灰度值差的过程，根据预设的邻域窗口确定样本点邻域中的每个邻域点位置；根据每个邻域点位置，获取每个邻域点的灰度值；形成每个邻域点与前次迭代的相应聚类中心Viter-1的灰度值差。具体包括：步骤d1：确定样本点的邻域窗口W中的邻域点位置；具体的，确定第i个样本点的邻域(窗口)各个邻域点的位置，利用坐标(x，y)标定第i个样本点的位置，利用(x+ii，y+jj)标定邻域内各邻域点的位置，假定邻域窗口W＝p×q，则ii∈[-p/2,p/2]，jj∈[-q/2,q/2]；步骤d2：根据邻域点t的位置，获取邻域点的灰度值xt；具体的，根据(x+ii，y+jj)坐标，找到第i个样本点的邻域点t，其灰度值记为xt；步骤d3：形成样本点的邻域点t与相应聚类中心的灰度值差；具体的，根据||xt-vk||计算第t个邻域点和第k个聚类中心的灰度值差；通过灰度值差求和形成第i个样本点的所有邻域点和第k个聚类中心的灰度值差SUM。本处理过程获得样本点的邻域点与样本点相应隶属聚类中心间的灰度值的差值程度。在本发明一实施例的FCM图像分割方法中，包括一种形成当前迭代模糊因子Giter的过程，根据样本点的位置和样本点的邻域点的位置，获得样本点与邻域点的空间欧式距离dit；根据形成样本点的单一邻域点相对一个聚类中心的模糊因子Gkt；通过对样本点i的邻域窗口中所有的单一邻域点的模糊因子Gkt求和，得到样本点的所有邻域点相对一个聚类中心的模糊因子其中，Ni为样本点i的邻域窗口。SUM＝||xt-vk||；i为样本点编号，i∈[0,n]，其中n为样本点数量，t为样本点的邻域窗口的邻域点；ukt表示前次迭代中邻域点t属于第k个聚类中心的程度；m表示模糊指数。具体包括：步骤e1：若当前处于图像中第i个样本点和第k个聚类中心时，根据||xt-vk||计算第i个样本点的第t个邻域点和第k个聚类中心的灰度值差，记为SUM；步骤e2：确定第i个样本点的邻域窗口各个邻域点的位置，利用坐标(x，y)标定第i个样本点的位置，利用(x+ii，y+jj)标定邻域内各邻域点的位置；步骤e3：在邻域内确定一个邻域点的坐标，记为(x′，y′)，计算第i个样本点(即中心点i)与邻域点t之间的欧氏距离t＝1,2,…,W；步骤e4：根据形成单一邻域点相对一个聚类中心的(隶属度空间距离约束的)模糊因子Gkt；步骤e5：重复上述步骤e3与步骤e4，求得邻域内(除中心点i外)所有邻域点的模糊因子Gkt，并求和得到模糊因子Gki,t＝1，2，…，W；即样本点的所有邻域点相对一个聚类中心的模糊因子其中Ni为样本点i的邻域窗口；步骤e6：重复c次上述步骤e3至步骤e5，得到第i个样本点的c个模糊因子Gij,j＝1,2,…,c，即样本点的所有邻域点相对所有聚类中心的模糊因子形成当前迭代的模糊因子其中c为聚类中心数量。本处理过程获得第i个样本点的邻域点相对一个聚类中心的模糊因子Gki，以及相对所有聚类中心(c个)的模糊因子Gij，即当前迭代的模糊因子Giter。在上述实施例基础上，在本发明另一实施例的FCM图像分割方法中，包括一种次序迭代形成隶属度Uiter的过程，获取样本点i的灰度值；获取前次迭代的全部聚类中心的灰度值；形成样本点i与相应聚类中心的灰度值差；根据获取样本点i相对前次迭代的全部聚类中心的隶属度uki；其中xi为样本点的灰度值，vk为前次迭代的聚类中心k的灰度值，k∈[1,c]，c为预设聚类中心数量，j∈[1,c]；获取所有样本点相对前次迭代的全部聚类中心的隶属度，形成当前迭代的隶属度Uiter。具体包括：获取样本点的灰度值；获取全部聚类中心的灰度值；根据||xi-vk||2获取样本点与全部聚类中心的灰度值差；根据获取样本点相对全部聚类中心的隶属度。在本发明一实施例的FCM图像分割方法中，包括一种具体形成次序迭代的隶属度Uiter的过程，包括：步骤f1：若当前处于图像中第i个样本点和第k个聚类中心时，根据||xi-vk||2计算第i个样本点和第k个聚类中心的灰度值差；步骤f2：重复c次步骤f1，求得样本点(即中心点i)和第j个聚类中心的灰度值差，j＝1,2,…,c；步骤f3：计算中心点i属于第k类聚类中心的隶属度k＝1,2,…,c；步骤f4：重复c次步骤f1至步骤f3，计算中心点i属于c个不同聚类中心的隶属度；步骤f5：重复N次步骤d1至步骤d3，步骤e1至步骤e6和步骤f1至步骤f4，计算所有样本点(即待处理图像的像素点)属于c个不同聚类中心的隶属度。在上述实施例基础上，在本发明另一实施例的FCM图像分割方法中，包括一种形成次序迭代的聚类中心Viter的过程，包括：步骤g1：累加迭代次数iter，使iter＝iter+1；步骤g2：根据隶属度U计算第iter次迭代的聚类中心V；即：根据形成；N表示图像中样本点的总数，m表示模糊指数，xi表示图像中第i个点的灰度值，uki表示前次迭代中邻域点i属于第k个聚类中心的程度。步骤g3：将隶属度U保存于变量Uold中。图2为本发明FCM图像分割方法一实施例与其他FCM图像分割方法的图像分割效果对比示意图。如图2所示，图2(a)为原始图像。图2(b)为在原始图像上加了方差为0.1的高斯噪声和15％的椒盐噪声的混合噪声。从图2(c)中可以看出FCM的处理结果最差，大部分噪声都没有去除，图像分割的效果非常差。从图2(d)中可以看出FCM_S处理的效果要比FCM好些，但是花心部分分类错误，信息完全丢失。从图2(e)和图2(f)中可以看出EnFCM和FGFCM的处理效果要比FCM_S好，但是由于EnFCM和FGFCM要预先对图片进行过滤，使得图片模糊，细节部分不能很好的保持，尤其是背景部分，存在大量块状噪声点。从图2(g)中可以看出FLICM能够除去大部分的噪声，但是背景和花茎部分仍保留大量噪声。从图2(h)中可以看出本发明实施例的分割方法较FLICM能够得到更好的效果，无论是从图片细节的保持还是对噪声的鲁棒性，实现了较为理想的分割效果。与图2相对应的各FCM图像分割方法的正确率(％)对比如表1所示：FCMFCM_SEnFCMFGFCMFLICM本发明Gaussian(δ＝0.05)70.9990.4293.5393.7396.0699.78Gaussian(δ＝0.10)65.0682.6086.5686.8590.7694.92Gaussian(δ＝0.15)62.5279.8682.8483.0087.5593.44Gaussian(δ＝0.20)61.2775.6379.0279.4582.8192.42Salt&Pepper(5％)97.4597.5697.5598.9899.9499.96Salt&Pepper(10％)95.0299.1595.1696.5399.8699.94Salt&Pepper(15％)92.2599.6492.7592.5999.7899.84Salt&Pepper(20％)88.5998.9488.9587.1099.6799.80表1原始图像中加入两种不同程度和不同类型的噪声，一种为Gaussian(δ＝0.05～0.20)，即加入方差为0.05～0.20的高斯噪声；另一种为椒盐噪声Salt&Pepper(5％～20％)，即加入5％～20％的椒盐噪声。然后采用不同的FCM算法及本发明一实施例的FCM图像分割方法分别对噪声图像进行聚类，从而得到新的聚类图片。将新的聚类图片与原图像进行对比，求得分类的正确率。由表1可见，本发明实施例的FCM图像分割方法所得到的图像分割结果与原始图像相比，其分类的正确率无论是在高斯噪声还是椒盐噪声下，都高于FCM算法及其改进的算法，当噪声的比例增加时，本发明的结果优势明显。本发明实施例的分割方法的模糊因子Gki能够自动的控制噪声的鲁棒性和图片细节保持性的平衡，不需要任何参数的限制。并且在算法的每次迭代中，Gki都会改变，而不像FCM_S，EnFCM，FGFCM算法中的用来控制噪声的鲁棒性和图片细节保持性的平衡的参数，一旦确定就无法改变。Gki的改变更好的利用了局部空间信息和灰度值信息，使得算法更灵活，对噪声具有更强的鲁棒性，能够更好的保持图片的细节。在上述实施例的FCM图像分割方法的基础上，本发明FCM图像分割方法另一实施例中，另一种次序迭代的形成模糊因子的过程，根据样本点的位置和样本点的邻域点的位置，获得样本点与邻域点的空间欧式距离dit；根据形成样本点的单一邻域点相对一个聚类中心的模糊因子Gkt；其中：SUM＝||xt-vk||；i为样本点编号，i∈[0,n]，其中n为样本点数量，t为样本点的邻域窗口的邻域点；ukt表示前次迭代中邻域点t属于第k个聚类中心的程度；m表示模糊指数；gray＝α*xt，其中α为控制参数；通过对样本点i的邻域窗口中所有的单一邻域点的模糊因子Gkt求和，得到样本点的所有邻域点相对一个聚类中心的模糊因子其中Ni为样本点i的邻域窗口。具体包括：步骤e11：若当前处于图像中第i个样本点和第k个聚类中心时，根据||xt-vk||计算第i个样本点的第t个邻域点和第k个聚类中心的灰度值差，求和记为SUM；步骤e12：确定第i个样本点的邻域窗口各个邻域点的位置，利用坐标(x，y)标定第i个样本点的位置，利用(x+ii，y+jj)标定邻域内各邻域点的位置；步骤e13：在邻域内确定一个邻域点的坐标，记为(x′，y′)，计算中心点i与邻域点t之间的欧氏距离t＝1,2,…,W；步骤e14：在邻域内确定一个邻域点的灰度值xt，通过gray＝α*xt与控制参数α结合；步骤e15：根据形成基于邻域点隶属度空间距离约束的模糊因子Gkt；步骤e16：重复上述步骤e13与步骤e15，求得邻域内(除样本点i外)所有邻域点的模糊因子Gkt，并求和得到模糊因子Gki，t＝1，2，…，W；步骤e17：重复c次上述步骤e13至步骤e16，得到第i个样本点的c个模糊因子Gij，j＝1，2，…，c。本处理过程获得第i个样本点的邻域点相对一个聚类中心的模糊因子Gki，以及相对所有聚类中心(c个)的模糊因子Gij，即当前迭代的模糊因子Giter。其中，SUM＝||xt-vk||；i为样本点编号，i∈[0,n]，其中n为样本点数量，t为样本点的邻域窗口的邻域点；ukt表示前次迭代中邻域点t属于第k个聚类中心的程度；m表示模糊指数；gray＝α*xt，其中α为控制参数。本实施例的FCM图像分割方法另一实施例对模糊因子Gki作出进一步优化，使得图像分割边缘的正确率有较大的提高，进一步改善了分割效果。优化的模糊因子Gki的目标函数如下：控制参数α，控制灰度值gray对整个模糊因子的影响程度，也是对整个算法的影响程度；a值越大，表示灰度影响越大，能够保持更多图像细节，但是对噪声鲁棒性就会减少；反之，a值越小，表示灰度值影响小，能够增大对噪声的鲁棒性，但是就会减少对图像细节的保持性。图3为本发明FCM图像分割方法另一实施例与其他FCM图像分割方法的图像分割效果对比示意图。如图3所示，图3(a)为原始图像。图3(b)为在原始图像上加了方差为0.05的高斯噪声。从图3(c)中可以看出FCM的处理结果最差，大部分噪声都没有去除，图像分割的效果非常差。与图3相对应的各FCM图像分割方法的正确率对比如表2所示：表2原始图像中加入两种不同程度和不同类型的噪声，一种为高斯噪声(δ＝0.05～0.20)，即加入方差为0.05～0.20的高斯噪声。另一种是混合噪声，即向图像里同时加入高斯噪声和椒盐噪声，本发明采用的情况是在高斯噪声不变的情况下不断增大椒盐噪声，即在向图像加入方差为0.1的高斯噪声下，加入5％～20％的椒盐噪声。然后采用不同的FCM算法及本发明一实施例的FCM图像分割方法分别对噪声图像进行聚类，从而得到新的聚类图片。将新的聚类图片与原图像进行对比，求得分类的正确率。由表2可见，本发明实施例的FCM图像分割方法所得到的图像分割结果与原始图像相比，其分类的正确率在高斯噪声的混合噪声下，都高于FCM算法及其改进的算法，当噪声的比例增加时，本发明的结果优势明显。图4为本发明FCM图像分割系统一实施例的架构示意图。如图4所示，包括迭代模块100，用于形成迭代过程。迭代模块100包括：模糊因子生成单元110，用于在迭代过程的当前迭代中，通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧式距离，形成当前迭代的模糊因子Giter，所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点；隶属度生成单元150，用于在迭代过程的当前迭代中，通过当前迭代的模糊因子Giter和前次迭代的聚类中心Viter-1，形成当前迭代的隶属度Uiter；聚类中心生成单元160，用于在迭代过程的当前迭代中，根据当前迭代的隶属度Uiter，形成当前迭代的聚类中心Viter。本发明另一实施例的一种FCM图像分割系统，还包括初次迭代单元105，用于利用随机函数初始化隶属度值，形成初始化隶属度U0；初次迭代单元可以部署在迭代模块中或迭代模块外。根据图像各样本点特征值的初始化隶属度U0计算初始化聚类中心V0。在上述实施例基础上，本发明一实施例的一种FCM图像分割系统，模糊因子生成单元110包括：邻域位置生成子单元111，用于根据邻域窗口确定所述样本点邻域中的每个邻域点位置；邻域灰度生成子单元112，用于根据每个邻域点位置，获取每个所述邻域点的灰度值；邻域点灰度差值生成子单元113，用于形成每个所述邻域点与前次迭代的相应聚类中心Viter-1的灰度值差。在上述实施例基础上，本发明一实施例的一种FCM图像分割系统，模糊因子生成单元110还包括：欧氏距离生成子单元114，用于根据所述样本点的位置和所述样本点的所述邻域点的位置，获得所述样本点与所述邻域点的空间欧式距离dit；第一单一模糊因子生成子单元115，用于根据形成样本点的单一邻域点相对一个聚类中心的模糊因子Gkt；单一聚类中心模糊因子生成子单元119，用于通过对样本点i的邻域窗口中所有的单一邻域点的模糊因子Gkt求和，得到样本点的所有邻域点相对一个聚类中心的模糊因子在上述实施例基础上，本发明另一实施例的一种FCM图像分割系统，模糊因子生成装置包括替代第一单一模糊因子生成子单元115的第二单一模糊因子生成子单元116，用于根据形成样本点的单一邻域点相对一个聚类中心的模糊因子Gkt。在上述实施例基础上，本发明一实施例的一种FCM图像分割系统的隶属度生成单元150包括：样本点灰度生成子单元151，用于获取样本点i的灰度值；聚类中心灰度生成子单元152，用于获取前次迭代的全部聚类中心的灰度值；样本点灰度差值生成子单元153，用于形成样本点i与相应聚类中心的灰度值差；单一样本点隶属度生成子单元154，用于根据获取样本点i相对前次迭代的全部聚类中心的隶属度uki；全部样本点隶属度生成子单元155，用于获取所有样本点相对前次迭代的全部聚类中心的隶属度，形成当前迭代的隶属度Uiter。在上述实施例基础上，本发明一实施例的一种FCM图像分割系统的聚类中心生成单元160包括：当前迭代聚类中心生成子单元161，用于根据形成当前迭代聚类中心。在上述实施例基础上，本发明一实施例的一种FCM图像分割系统还包括：灰度转换单元90，用于在迭代过程前将待处理的彩色图像转化为灰度图像；图像尺寸识别单元95，用于在迭代过程前获取灰度图像的分辨率，将灰度图像的像素作为样本点。在上述实施例基础上，本发明另一实施例的一种FCM图像分割系统还包括判断模块200，用于形成当前迭代的聚类中心Viter之后的迭代终止判断，其中包括：迭代终止判断单元210，用于判断当前迭代的迭代前后的隶属度值差是否小于迭代停止阈值ε或者迭代次数是否超过最大迭代次数。本发明实施例中FCM图像分割系统的具体实现和有益效果可参见FCM图像分割方法，在此不再赘述。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。当前第1页1 2 3