本发明涉及图像处理与模式识别,更具体的涉及一种基于隶属度修正的空间核直觉模糊聚类苗族服饰图案分割方法。
背景技术:
1、苗族服饰图像具有浓厚的文化底蕴,代表着苗族的文化传承。随着流行文化的冲击,苗族服饰图像文化逐渐流失,一些研究者试图采用有效的分割方法对其进行保护和传承。由于苗族服饰图案具有色彩鲜艳、纹理复杂、样式多元化的特征,难以取得较好的分割效果。
2、当前许多研究者尝试用不同的方法去分割苗族服饰图案,如基于主动轮廓和深度学习的苗族服饰图案分割方法。然而,基于主动轮廓的方法对初始轮廓位置和噪声图像敏感,噪声会导致轮廓漂移,造成图像的分割精度不高;基于深度学习的方法需要大量的数据进行训练,如果数据量不足,可能会导致模型欠拟合或过拟合,从而影响分割结果的准确性。此外,深度学习模型的可解释性较差,难以解释其分割结果的原因。因此,在特定的数据集上,选择合适的分割方法是非常重要的。
3、针对苗族服饰图案的分割,选择基于模糊聚类的方法是非常合适的,这是因为模糊聚类的方法具有简单、高效的特点,并且不需要提前训练数据集,但此类方法也存在一些缺点。传统的fcm算法对图像进行聚类时,没有考虑图像像素的空间位置关系,仅对像素点的灰度值进行聚类,致使该算法对噪声点敏感,难以取得较好的分割效果。核直觉模糊(kernel intuitionistic fcm,kifcm)聚类算法将输入空间中的非线性问题转化为高维特征空间中的线性问题,用核距离替代欧氏距离,提高了聚类性能,但由于未考虑空间信息,对噪声点敏感,导致对噪声图像的分割质量较差,进而导致苗族服饰图案分割的精度不高。
技术实现思路
1、针对上述领域中存在的问题,本发明一种苗族服饰图案分割方法,能够解决未考虑空间信息,对噪声点敏感,导致对噪声图像的分割质量较差,进而导致苗族服饰图案分割的精度不高的技术问题。
2、为解决上述技术问题,本发明公开了一种苗族服饰图案分割方法,包括以下步骤:
3、初始化待分割苗族服饰图案的聚类中心和模糊隶属度矩阵,确定模糊集;
4、将模糊集扩展到直觉模糊集,在fcm的目标函数中引入直觉模糊熵,加入隶属度约束惩罚项;
5、使用核距离,计算待分割苗族服饰图案的像素点到聚类中心的距离,获取像素点到聚类中心的高斯核距离;
6、根据高斯核距离、隶属度约束惩罚项和直觉模糊熵,将直觉模糊集和空间邻域信息相结合,构造出新的目标函数;对新的目标函数求最优解,得到更新的隶属度函数和聚类中心;
7、对邻域信息内的像素点赋予不同的权重,修正更新的隶属度函数,得到修正后的隶属度函数和聚类中心;
8、根据修正后的隶属度函数和聚类中心,对图像进行降噪处理,获取分割后的图案信息。
9、优选地,所述初始化待分割苗族服饰图案的聚类中心和模糊隶属度矩阵包括设置聚类数目c,加权指数m,最大迭代次数t和终止条件ε,邻域大小w,随机初始化聚类中心v,随机初始化模糊隶属度矩阵u。
10、优选地,所述在fcm的目标函数中引入直觉模糊熵包括以下步骤:
11、对于一个概率分布p=pi(i=1,2,…,n),定义指数香农熵为:
12、
13、将指数香农熵与直觉模糊集相结合,得到直觉模糊熵为:
14、
15、犹豫度πd(x)=1-μd(x)-[1-μd(x)β]1/β,μd(x)是隶属度,β是一个正常数,xi为第i个像素。
16、优选地,所述获取像素点到聚类中心的高斯核距离包括以下步骤:
17、定义高维特征空间中的核距离为:
18、||φ(xi)-φ(vk)||2=k(xi,xi)+k(vk,vk)-2k(xi,vk)=2[1-k(xi,vk)]
19、式中,φ表示数据空间到特征空间的非线性映射,使用高斯核函数来计算核距离,定义如下:
20、k(xi,vk)=exp(-||xi-vk||2/h2)
21、式中,h表示核宽,采用均方误差来估计h2,具体形式如下:
22、
23、优选地,所述构造出新的目标函数为:
24、
25、式中,第一项为fcm的核化形式,第二项为隶属度约束惩罚项,第三项为直觉模糊熵;其中,c表示聚类数目,n表示总像素数目,m是加权指数,表示第i个像素xi到第k个聚类中心的隶属度值;πki为犹豫度。
26、优选地,所述对新的目标函数求最优解为采用拉格朗日乘子法对目标函数进行最优化处理。
27、优选地,所述得到更新的隶属度函数和聚类中心为:
28、
29、
30、式中,参数α控制算法的收敛速度,为了使满足ai=α·min{2[1-k(xi,vs)]|s∈{1,…,n}},0≤α≤1。
31、优选地,所述修正更新的隶属度函数包括利用局部像素特征修改隶属度函数,定义空间函数如下:
32、
33、式中,nb(xi)表示空间域中以xi为中心的l×l正方形窗口,hki与隶属度是一样的,表示像素xi到第k个类的概率。
34、优选地,所述得到修正后的隶属度函数和聚类中心包括以下步骤:
35、在不改变目标函数的情况下,将隶属度函数与空间函数相结合,得到修正的隶属度函数和聚类中心如下:
36、
37、
38、式中,p和q是两个参数,控制两个函数的贡献程度。
39、优选地,所述获取分割后的图案信息包括不断迭代修正的隶属度函数和聚类中心,当||ji+1-ji||<ε,或i>t时,终止迭代过程,否则继续迭代,直至迭代结束,ji+1表示前一步的目标函数。
40、与现有技术相比,本发明具有如下有益效果:
41、本发明在fcm算法的基础上加入隶属度约束惩罚项,即奖励最大隶属度的同时抑制其他隶属度,提高本发明的运行速率;利用核距离替代传统的欧式距离,重新计算像素点到聚类中心的高斯核距离,高斯核距离对噪声的抑制能力更强,提高本发明的鲁棒性。通过考虑了空间邻域信息,对邻域信息内的像素点赋予不同的权重,使得噪声像素点的隶属度能够被修正,从而完成图像的分割。仿真结果表明,与其他相关算法相比,本发明在分割苗族服饰图案时,能消除噪声像素的影响,保留更多的图像细节,且具有较高的分割精度。
1.一种苗族服饰图案分割方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种苗族服饰图案分割方法,其特征在于,所述初始化待分割苗族服饰图案的聚类中心和模糊隶属度矩阵包括设置聚类数目c,加权指数m,最大迭代次数t和终止条件ε,邻域大小w,随机初始化聚类中心v,随机初始化模糊隶属度矩阵u。
3.根据权利要求2所述的一种苗族服饰图案分割方法,其特征在于,所述在fcm的目标函数中引入直觉模糊熵包括以下步骤:
4.根据权利要求3所述的一种苗族服饰图案分割方法,其特征在于,所述获取像素点到聚类中心的高斯核距离包括以下步骤:
5.根据权利要求4所述的一种苗族服饰图案分割方法,其特征在于,所述构造出新的目标函数为:
6.根据权利要求5所述的一种苗族服饰图案分割方法,其特征在于,所述对新的目标函数求最优解为采用拉格朗日乘子法对目标函数进行最优化处理。
7.根据权利要求6所述的一种苗族服饰图案分割方法,其特征在于,所述得到更新的隶属度函数和聚类中心为:
8.根据权利要求7所述的一种苗族服饰图案分割方法,其特征在于,所述修正更新的隶属度函数包括利用局部像素特征修改隶属度函数,定义空间函数如下:
9.根据权利要求8所述的一种苗族服饰图案分割方法,其特征在于,所述得到修正后的隶属度函数和聚类中心包括以下步骤:
10.根据权利要求9所述的一种苗族服饰图案分割方法,其特征在于,所述获取分割后的图案信息包括不断迭代修正的隶属度函数和聚类中心,当||ji+1-ji||<ε,或i>t时,终止迭代过程,否则继续迭代,直至迭代结束,ji+1表示前一步的目标函数。