种粗糙熵和K一均值聚类相结合的岩心图像分割方法.pdfVIP

长江大学学报 (自然科学版) Z008年3月第5卷第1期：理工 · 68 · JournalofYangtzeUniversity(NatSciEdit) Mar．2008，Vo1．5No．1：sci Eng 一 种粗糙熵和 K一均值聚类相结合 的岩心图像分割方法 叶 青 ，周云才 (长江大学计算机科学学院，湖北荆州434023) [摘要]K一均值聚类算法和粗糙熵是应用于图像分割的主要算法．目的是对图像进行分析处理。将K一均值 聚类算法和粗糙熵结合起来应用到岩心图像的分割， 目的是提取出岩石的隙缝信息。先利用K一均值聚类 算法对岩心图像进行区域分割，再利用基于粗糙熵的方法对分割结果进行 目标提取，从而达到多阚值分 割的目的。通过效果图对比分析可以看出，采用基于粗糙熵的K一均值聚类算法处理多 目标的岩心图像， 提取出的 目标更清晰，更明确．实验结果更有价值，证明了改进后算法的有效性。 [关键词]粗糙熵；K_均值聚类；岩心图像；图像分割 [中图分类号]TP391．41 [文献标识码]A [文章编号]1673—1409 (2008)01一N068—04 图像分割是将图像中有意义的特征或区域提取出来的过程，是从图像处理到图像分析的关键步骤。 目前图像分割的算法主要有阈值分割法、聚类法、边缘提取法、区域生长法等 ]。已有的这些算法都是 独立的，每一种算法都有其 自身的局限性。文献 E2]提出了一种基于粗糙熵的图像分割算法。该算法 是基于目标和背景这 2大类来分割提取的，具有线性的时间复杂度，效率很高，但没有考虑到多 目标之 间的不同细节，本质上还是单阈值分割，在多 目标提取的精确性方面还不理想。考虑到聚类算法是一种 有效的无监督学习模式[3]，可以先利用K一均值聚类算法对图像进行区域分割 ]，把图像分成各个独立 不相交的 目标背景块；然后再用基于粗糙熵的方法对各分割结果进行 目标提取，从而达到多阈值分割的 目的，获得更好的目标提取效果。笔者把该算法用在岩心图像中，通过试验对比，证明改进后的算法比 单独使用基于粗糙嫡 的方法，在图像 目标提取的性能方面有很大提高。 1 分类方法 1．1 基于K-均值聚类算法的图像分割 K一均值聚类算法能够动态聚类，具有一定的自适应性，可用于对图像进行区域分割。设像素的灰度 值用P 表示，(L一0，…，255，为灰度级别)，Q，代表在第i次迭代后赋给第 类的像素集合，“，表示第f 次迭代后第 类的均值 。具体步骤如下：① 随机选取 k个点作为初始聚类 中心，初始均值为 。，“。。，…， “②在第 i次迭代时，考察每个像素，计算出它与每个聚类中心的距离D，将每个像素赋给离它最近的 类，即若D—min{I 一 “I，一 l，2，3，…，k)，则 ∈Q ；③对于-f一1，2，3，…，k，计算新的聚类中 心，更新类均值 “，取 “件1)J一 1／NjZP ，其中N，是Q口中的像素个数，P ∈Q ；④将所有像素逐个考察 一 遍，如果对所有的 一 1，2，3，…，k，有 一 “件1)J，则算法收敛，结束；否则退回步骤②继续下一次迭代。 算法中，第①步初始聚类中心的选择很重要，聚类的性能与初始聚类中心的选取有关。如果初始聚 类中心选取不合理，将会增加运算的复杂程度，误导聚类过程，得到一个不合理的聚类结果。对此有各 种解决方法，例如可以根据经验选择，可以根据重心，还可以根据密度等[5]。笔者采用文献 [6]中提 出的方法，定义像素的灰度差为条件属性，选取合适的类间距阈值 t，通过定义等价关系：如果2个像素灰 度相差小于一定阈值t，则2个像素属于同一等价类，可以合并，从而利用粗糙集理论的近似分类功能 获得K一均值聚类所需要的初始类的个数和均值。这种分类方法简单有效，提高了K一均值聚类的效率和 分类的精度。 [收稿 日期]2007—12—15 [作者简介]叶青 (1983一)，女 。2005年大学毕业。硕士生，现主要从事计算机软件开发及其应用方面的研究工作。 第5卷 第 1期：理工 叶青等：一种粗糙熵和K一均值聚类相结合的岩心图像分割方法 1．2 基于粗糙熵算法的图像分割 算法首先将图像分成一定大小的粒度，即窗口块G。窗口的大小是依据图像的亮度直方图，计算直方 图中对应各峰值的区域宽度，选择最小宽度的一半作为窗口的长和宽。然后利用粗糙集