一种自然场景中的图像分割方法
【技术领域】
[0001] 本发明涉及一种图像分割方法，尤其是涉及一种自然场景中的图像分割方法。
【背景技术】
[0002] 随着互联网技术和电子商务的迅速发展，数字图像每日都在以惊人的速度增长， 如何在大量的图像中找到用户所感兴趣的图像成为当前研宄的热门问题。图像分割就是把 图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图 像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方 法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。模糊C均 值算法（即FCM)是一种基于特定理论的分割算法，目前广泛应用于MRI脑图像分割，文本 识别，车牌识别以及大数据的处理等各个方面。
[0003] FCM由Dunn提出并由Bezdek推广，它是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，而是以一定的比例隶属于不同的类。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。但是传统的FCM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。FCM_S算法在FCM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，这大大增强了算法对噪声和奇异点的鲁 棒性。但是，算法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。而且 在噪声增大的情况下，FCM_S算法并不能很好的去除噪声，经常出现分错类的情况。
【发明内容】
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种自然场景中的 图像分割方法。
[0005] 本发明的目的可以通过以下技术方案来实现：
[0006] -种自然场景中的图像分割方法，其特征在于，包括以下步骤：
[0007] 步骤1 :输入一张待处理的图片；
[0008] 步骤2:判断该图片是否是灰度图像，如果是，将进行步骤3);否则将图片转化为 灰度图像后进行步骤3);
[0009] 步骤3:设定模糊指数m、迭代停止阈值e和最大迭代次数maxlter，并初始化聚 类个数c和邻域窗口 W;
[0010] 步骤4 :初始化聚类中心V或者隶属度U ;如果初始化的是聚类中心，则计算出第0 次迭代的隶属度％后进行步骤5);如果初始化的是隶属度，则计算出第0次迭代的聚类中 心％后进行步骤5);
[0011] 步骤5 :对于第iter次迭代，iter = 1，2，. . .，maxlter，求出邻域点与聚类中心的 欧式距离；并根据隶属度Uite_i重新计算第iter次迭代的聚类中心V it"或者根据聚类中心 vitti重新计算第iter次迭代的隶属度U itCT;
[0012] 步骤6 :如果步骤5所求的是第iter次迭代的聚类中心VitOT，贝重新计算第iter 次迭代的隶属度Uite并进行步骤7);如果步骤5所求的是第iter次迭代的隶属度U ite，则 新计算第iter次迭代的聚类中心VitOT并进行步骤7);
[0013] 步骤7:若第iter次迭代前后的隶属度值差小于迭代停止阈值e或者迭代次数 iter超过最大迭代次数maxlter时，则完成图像分割并输出分割后的图像；否则重复步骤5 与步骤6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。
[0014] 所述的步骤4)计算出第0次迭代的隶属度％具体为，h为CXN的矩阵，每个元 素计算如下：
[0015]
[0016] 其中uki图像中第i个像素点^属于第k类的程度，、第1个像素点，其中 i e [1，2, ...，N]，N代表图片中像素点的个数，C为要将图片分割的个数也是聚类中心的个 数，x/ff表Xi的邻域点，Vk表示第k个聚类中心，其中k G [1，2,…，C]，Vj表示第j个聚 类中心，m是权值系数。
[0017] 所述的步骤4)计算出第0次迭代的聚类中心％具体为，V。为CX1的矩阵，每个 元素计算如下：
[0018]
[0019]其中vk表示第k个聚类中心，u ki图像中第i个像素点x i属于第k类的程度，N代 表图片中像素点的个数，C为要将图片分割的个数也是聚类中心的个数，1!^图像中第r个 像素点Xi属于第k类的程度，x ,代表x i的邻域点。
[0020] 该方法用分割的正确性SA来评估算法的优劣性。
[0021] 所述的SA计算公式具体如下：
[0022]
[0023] C是聚类的个数，化代表使用分割算法分割出属于第i类的点，(^代表原始属于第 i类的点，(^代表原始属于第j类的点。
[0024] 与现有技术相比，本发明采用改进的FCM算法，将邻域点自身的隶属度加到各自 的邻域点上，改变了 FCM_S算法的邻域点对中心点具有相同的影响，增加了非噪声点对中 心点的影响，降低了噪声点对中心点的影响。这一改进增加了算法对噪声的鲁棒性，大大提 高了图像分割效果。合成图片和自然图片在不同噪声下的实验，证明了本发明的有效性。
【附图说明】
[0025] 图1为本发明的流程图；
[0026] 图2 (a)为原始图像，图2 (b)为FCM算法处理的结果，图2 (c)为FCM_S的处理结 果，图2(d)为本发明的处理结果；
[0027] 图3为三种算法在给图2(a)上加不同高斯噪声下的分割正确率；
[0028] 图4 (a)为原始图像，图4 (b)为FCM算法处理的结果，图4 (c)为FCM_S的处理结 果，图4(d)为本发明的处理结果，图4(e)是还原的挖掘机彩色图片；
[0029] 图5为三种算法在给图4(a)上加不同椒盐噪声下的分割正确率。
【具体实施方式】
[0030] 下面结合附图和具体实施例对本发明进行详细说明。
[0031] 实施例
[0032] 本发明提出一种改进的FCM算法，不仅将周围邻域的灰度信息加入到算法中，而 且将周围邻域的隶属度信息也加入到算法中。FCM_S算法有一个控制邻域信息影响的因子， 这个因子要根据不同的图片人工手动进行调试，以期达到好的效果。但是，这就大大制约了 这个算法的实际用途。而本发明用邻域点的隶属度来取代这一因子，这样这个因子就会随 着不同情况自己改变，而不需要人工调控，使得本发明能够运用在实际生活中。而且这种改 进加大了算法对噪声的鲁棒性，实现更好的分割效果。
[0033] 1.图像分割算法
[0034] 1. 1算法的前期理论
[0035] A?模糊C均值算法（FCM)
[0036] FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象 之间相似度最大，而不同簇之间的相似度最小。设X = (Xl，x2, . . .，xN)是要进行分割的图片 的数据集。N代表图片中像素点的个数，C为要将图片分割的个数也是聚类中心的个数，则 目标函数如式1。v k表示第k个聚类中心，其中kG [1，2，...，C]。uki表示隶属度，即图像 中第i个像素点Xi属于第k类的程度，0彡u ki< 1并且l V/ m是一个权值系数， H C 一般取2。
[0037]
[0038] 根据拉格朗日乘子的方法，求出聚类中心vk和隶属度uki，如下所示：
[0039]
[0040]
[0041] B.具有空间约束的模糊聚类（FCM_S)
[0042] FCM算法对噪声非常敏感的，这是因为FCM算法是基于单个像素点的分类，并没有 考虑到邻域信息。Ahmed等人在FCM的基础上加入了邻域信息，提出一种改进的FCM算法， 称之为FCM_S。FCM_S的目标函数如下：
[0043]
[0044] 其中x,代表xi的邻域点，NK是邻域点的个数，a是一个控制参数，代表邻域信息 对当前像素点Xi的影响程度，它调节着算法对噪声的鲁棒性和对图片细节信息保持的平衡 度。如果《过大，即过分依赖邻域信息，这将会模糊掉图片的细节；但是如果《过小，即不 考虑邻域信息，那么它就变得和FCM算法一样，这时算法就会对噪声比较敏感。所以a的 选择对FCM_S算法来说至关重要。通过最小化式（4)，我们可以得到聚类中心vk和隶属度
Uki°
[0045]
[0046]
[0047] 1. 2算法提出
[0048] FCM算法只考虑了灰度信息，图像中每个点都是单独独立的点，点与点之间并没有 任何联系，所以它对噪声非常的敏感。对一幅图像来说，邻域的像素经常有相同的特征，而 有相同特征的像素经常属于同一类，所以邻域信息对图像分割来说具有重要的意义。FCM_ S算法引入了邻域信息，所以FCM_S算法在一定程度上增强了算法对噪声的鲁棒性，但并没 有达到我们预期的效果。而且FCM_S算法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。法有一个参数a，这个参数需要根据不同的图片，不同的噪声 等情况人工进行设定。这使得FCM_S很难运用在实际生活中。
[0049] 本发明提出一个新的算法，该方法用邻域点自身的隶属度来取代FCM_S中的参 数a，自动调节算法对噪声的鲁棒性和对图像细节保持性的平衡度。该算法的目标函数如 下：
[0050]
[0051] FCM_S算法中每个邻域点对中心点影响是相同的，其实这样是不合理的。如 果邻域点是噪声点或者是非同类的点，那么它对中心点Xi的影响应该小一点；反之，如果邻 域点与中心点\属于同类，那么它对^的影响应该大