基于空间密度约束核模糊聚类的灰度图像快速分割方法与流程

本发明属于图像处理
技术领域：
，具体是一种灰度图像分割方法，可用于图像目标识别和医学图像辅助分析。
背景技术：
：近年来，计算机视觉技术的研究和应用的得到越来越多的关注。图像分割是计算机视觉领域中比较关键的一项技术，它被广泛应用于机器视觉、模式识别和医学图像等方面。图像分割就是根据图像的灰度、颜色、纹理等特征，使用特定的算法把图像分为若干个连续的不重叠的均匀区域，每个区域代表图像中的一个类别或者目标。真实灰度图像中的每个目标区域内像素灰度值是不均匀的，经常会带有噪声和离群值。数字图像中，噪声主要来源于图像的获取或传输过程。成像设备质量、光照水平和传感器温度是影响图像中噪声数量的重要因素。噪声对图像分割、特征提取和模式识别等计算机视觉技术会产生直接的影响，图像分割算法对噪声的抑制性能直接影响图像分割的精度。判断图像分割算法性能的两个重要指标是去除噪声的能力和边缘轮廓等细节保护的能力。图像分割的研究多年来一直受到图像处理界的高度重视，不断有新的图像分割方法被提出，传统的图像分割方法也在不断被改进提升。图像分割算法主要分为基于阈值的分割方法、基于边界的分割方法、基于区域的分割方法、基于图论的分割方法和基于聚类的分割方法。其中，基于聚类的分割方法由于计算复杂度低，分割效果好，得到越来越多的研究和关注。传统的基于模糊聚类的图像分割算法使用欧氏距离来计算像素点和聚类中心点的相似度，但欧式距离对非球形数据集划分效果不理想，而且每次迭代都需要计算图像中所有像素点，计算量较大，且对图像噪声非常敏感，对噪声污染的图像分割效果很差。技术实现要素：本发明的目的在于针对已有图像分割方法的不足，提出一种基于空间密度约束核模糊聚类的灰度图像快速分割方法，以很好地抑制噪声和保护边界细节，提高分割速度和分割精度。本发明的技术方案是：使用迭代卷积窗口生成迭代加权滤波图像，使用核模糊聚类算法对迭代加权滤波图像进行分割。其实现主要步骤包括如下：(1)输入灰度图像，并对灰度图像进行迭代加权滤波生成滤波图像；(2)统计滤波图像中各个灰度级对应的像素点数目；(3)用核模糊聚类法对滤波图像像素进行聚类，得到灰度级隶属度矩阵；(4)对滤波图像的灰度级隶属度矩阵去模糊化，为灰度级加上类标签；(5)为像素加上类标签，输出分割图像。本发明与现有技术相比具有以下优点：1.本发明通过迭代加权滤波合成加权图像，增强了对噪声的抑制能力和图像细节的保护能力。2.本发明用高斯核函数替换欧氏距离，并在聚类迭代过程中用像素的灰度级代替像素点的灰度值，不仅增强了对噪声点和离群值的鲁棒性，而且大大降低了计算量，提高了分割速度。附图说明图1是本发明的实现流程图；图2是用本发明对人工合成图像的分割结果图；图3是用本发明对真实灰度图像cameraman的分割结果图；图4是用本发明对真实灰度图像eight的分割结果图；图5是用本发明对医学图像mri1的分割结果图；图6是用本发明对医学图像mri2的分割结果图；具体实施方式以下结合附图对本发明的实例和效果作进一步详细描述。参照图1，本发明的实现步骤如下：步骤一：输入灰度图像，将灰度图像的像素数据保存在二维数组中。步骤二：生成迭代加权滤波图像i′现有常用的滤波方法有均值滤波、中值滤波、高斯滤波、双边滤波等，均值滤波和中值滤波分别只对高斯噪声和盐椒噪声有效，高斯滤波只对高斯噪声有效，而且均值滤波、中值滤波和高斯滤波都会不同程度地破坏图像细节信息。双边滤波对高斯噪声和盐椒噪声都有较好的抑制作用，也能较好地保护图像细节，但是对于噪声污染比较严重以及局部灰度不均匀的图像，双边滤波的效果不理想。对本实例合成加权图像采用的是一种新颖的加权迭代滤波算法，该方法在双边滤波的基础上进行改进，结合了密度的思想，通过迭代加权实现，最终收敛于窗口内像素值分布的密度最大值。与双边滤波相比，能更好地抑制不同类型的噪声，并更好地保护图像细节信息，其实现步骤如下：(2a)设置滑动卷积窗口大小为5×5，设置卷积窗口中心点像素迭代终止条件ε1＝0.25；(2b)迭代加权滤波的迭代公式定义如下：其中，(pi，qi)和(pj,qj)分别表示卷积窗口中心点坐标和中心点邻域坐标，xj表示窗口内某个像素灰度值，xik表示卷积核在经过k次迭代后中心点的灰度值，初始迭代点xi0＝xi，即迭代初始点为窗口中心点；σik为以第i个像素为中心的窗口经k次迭代后的灰度值域带宽，随着窗口的每次迭代自适应取值，计算公式如下：其中，n表示窗口内像素的数量，ni表示窗口内所有像素点。(2c)初始迭代次数k＝0；(2d)根据公式<2>计算σik，根据公式<1>计算xi(k+1)；(2e)判断是否满足||xi(k+1)-xik||2＜ε1。若满足，则第i个像素点对应的窗口中心点迭代结束，将xi(k+1)的整数值作为第i个像素点的新值保存，并令i＝i+1，转向(2c)；若不满足，则k＝k+1,转(2d)；重复进行上述步骤，至遍历完所有的像素点，生成迭代加权图像i′。步骤三：使用快速核模糊c均值聚类分割迭代加权图像。本发明的分割方法在已有模糊聚类分割算法的基础上进行了改进优化，使用核函数代替欧式距离，并用像素灰度级代替灰度值进行分割，提高了分割精度和速度，其实现步骤如下：(3a)设置核模糊聚类迭代终止条件ε2＝0.001,指定图像分割类别数目c,设置高斯核带宽σ＝30，随机初始聚类中心向量v＝(v1,v2,...,vc),其中vk表示第k个聚类中心,k＝1,2,…,c；(3b)统计图像i′中每个灰度级l的像素点数目nl，且令xl＝l-1，xl表示灰度级为l的像素的灰度值，l＝1,2,…,256；(3c)根据(3a)和(3b)的参数，计算各个灰度级和聚类中心的高斯核距离：(3d)根据步骤(3c)计算得到的k(xl,vk)计算灰度级隶属度ukl：其中，m为模糊指数，m＝2，xl表示l灰度级的值；(3e)根据步骤(3b)至(3d)、的结果，计算聚类中心vk；其中，nl表示l灰度级的像素点数量，q表示灰度级数，这里q＝256；(3f)重复步骤(3c)和(3e)直至||vnew-vold||＜ε2。步骤四：根据最大隶属度规则，对灰度级隶属度去模糊化，得到灰度级l的类标ll；步骤五：根据每个像素点的灰度值xi和对应灰度级的类标，赋予像素点相应类标l′i，输出分割图像。其中，xi表示像素点i的灰度值，l′i表示像素点i的类标，表示像素点i对应灰度级的类标，l＝xi+1。本发明的效果可以通过以下实验进一步说明：1.仿真实验采用的测试图像：实验测试图像为加高斯噪声和椒盐混合噪声的人工合成图像(128x128)，加椒盐噪声的真实灰度图像eight(308x242)和cameraman(256x256)，医学图像mri1和mri2。2.仿真实验的参数设定：设定参数为：人工合成图像分割类别数为2，真实灰度图像eight和cameraman分割类别数都为3，两幅医学图像分割类别数都为4。3.仿真实验环境：cpu为corei33.2ghz、内存4gb、仿真程序运行环境为windows7旗舰版+visualstudio2010+opencv。4.仿真内容：仿真1，用本发明方法对加椒盐高斯混合噪声的人工合成图像进行分割，分割结果如图2,其中，(a)为原图像，(b)为原图像(a)加高斯盐椒混合噪声的图像，(c)为本发明分割的图像；仿真2，用本发明方法对加椒盐噪声的真实灰度图像cameraman进行分割，分割结果如图3，其中，图3(a)为原图像，图3(b)为原图像(a)加20％盐椒噪声的图像，图3(c)为本发明分割的图像；仿真3，用本发明方法对加椒盐噪声的真实灰度图像eight进行分割，分割结果如图4，其中，图4(a)为原图像，图4(b)为原图像图4(a)加40％盐椒噪声的图像，图4(c)为本发明分割的图像；仿真4，用本发明方法对医学图像mri1进行分割，分割结果分别如图5，其中，图5(a)为原图像，图5(b)为本发明分割的图像；仿真5，用本发明方法对医学图像mri2进行分割，分割结果分别如图6，其中，图6(a)为原图像，图6(b)为本发明分割的图像；5.实验结果对比分析1)从图2(c)分割结果可以看出，本发明对高斯盐椒混合噪声有很强的抑制作用；从图3(c)和图4(c)可以看出，本发明对不同程度的盐椒噪声都有很强的抑制作用，并且能很好地保护图像细节。从图5(b)和图6(b)可以看出本发明能较为准确地分割医学图像，对灰度不均匀的医学图像有很强的鲁棒性，并能很好地保护医学图像细节。2)为了说明本发明对不同类型，不同程度噪声的鲁棒性，使用分割正确率来统计分析，对比本发明和三个文献算法flicm，kwflicm和fgfcm对人工合成图像的分割正确率，结果如表1。表1分割正确率(sa％)比较imageflicmkwflicmfgfcm本发明gaussian(0,0.02)99.951299.917799.926899.9634salt&pepper10％99.731499.7756100.000100.000salt&pepper20％99.548399.621399.9939100.000salt&pepper30％99.310399.468599.9634100.000表1中，第一列表示不同类型以及不同程度的噪声，表中数字为分割正确率(％)，gaussian(0,0.02)表示均值为0方差为0.02的高斯噪声污染的图像，salt&pepper10％表示被10％的盐椒噪声污染的图像，salt&pepper20％表示被20％的盐椒噪声污染的图像，salt&pepper30％表示被30％的盐椒噪声污染的图像。第二列至第五列分别为对四种比算法和本发明对应不同类型及程度噪声的分割正确率。分割正确率定义如下：c表示图像分割类别数，ai表示实际分割结果中被分到第i类的像素点集合，ci表示参考分割结果分到第i类的像素点集合。从表1统计的人工合成图像的分割正确率可以看出，本发明对不同类型不同污染程度的噪声图像都能实现较为准确的分割，分割正确率相比于现有三种方法都是最高的。3)由于真实灰度图像没有分割参照标准，通过两个指标分别对两幅真实图像cameraman和eight的分割结果进行统计分析，结果如表2。表2峰值信噪比(psnr)比较原图像混合噪声图像fgfcm本发明eight17.42633830.64403531.794728cameraman22.40112527.82354428.913350表2中，第一列表示两幅真实图像eight和cameraman，第二列表示高斯盐椒混合噪声污染图像相对于原图像的峰值信噪比，第三列表示算法fgfcm滤波图像相对于原图像的峰值信噪比结果，第四列为本发明滤波图像相对于原图像的峰值信噪比结果。峰值信噪比的定义如下：psnr用来表示一幅图像相对于原始图像的失真程度，psnr越大表示失真越小。mse表示两幅图像的均方误差，i0表示原始图像的所有像素组成的向量，i1表示处理后的图像的所有像素组成的向量，n图像像素数量。从表2可以看出，本发明的psnr要高于fgfcm算法，说明本发明与fgfcm算法相比，对高斯和盐椒混合噪声有更强的抑制作用。4)对医学图像mri1和mri2的分割结果，用分割熵进行统计，如表3表3分割熵比较表3中，第一列表示医学图像mri1和mri2，第二列表示分割熵，第三列至第六列分别表示三种对比方法和本发明的分割熵统计值。分割熵定义如下：e(i)＝hl(i)+hr(i)<11>分割熵e(i)由期望熵hl(i)和规划熵hr(i)构成，c表示分割的类别数，sj表示第j个分割区域类别数，si表示第j个分割区域内像素总数，lj(m)表示第j个分割区域灰度级为m的像素数量，vj表示第j个分割区域内所有可能灰度级的集合。分割熵越小，分割效果越好。从表3可以看出，本发明分割效果相比于现有三种方法，分割效果最好。表1表2和表3中的对比方法来源说明如下：[1]flicm(krinidiss,chatzisv.arobustfuzzylocalinformationc-meansclusteringalgorithm[j].ieeetransactionsonimageprocessing,2010,19(5):1328-1337.)；[2]kwflicm(gongm,liangy,shij,etal.fuzzyc-meansclusteringwithlocalinformationandkernelforimagesegmentation[j].ieeetransactionsonimageprocessing,2013,22(2):573-584.)；[3]fgfcm(caiw,chens,zhangd.fastandrobustfuzzyc-meansclusteringalgorithmsincorporatinglocalinformationforimagesegmentation[j].patternrecognition,2007,40(3):825-838.当前第1页12