基于核与局部信息的多维度模糊聚类图像分割算法.docVIP

基于核与局部信息的多维度模糊聚类图像分割算法 　　摘要：在以聚类分析为背景的图像分割算法中，引入局部信息是为了在保留图像细节的同时尽可能地减少噪声。在模糊C均值算法基础上，提出了一种基于核与局部信息的多维度模糊聚类分析方法来权衡图像中的噪声和细节。该算法引入2个基于局部信息的图像变体，即平滑和锐化处理后的图像，使之与原始图像一起构成多维度的灰度值向量来替换原始单维的灰度值； 再利用核方法提高其鲁棒性； 最后添加一个邻域隶属度差异惩罚项很好地修正和增强了最终的分割效果。在人工合成图片的去噪实验中，所提方法取得了近99%的分割正确率，优于Nystrom归一化分割（NNcut）和基于模糊局部信息C均值（FLICM）算法；同时在自然图片和医学图片的对比实验以及参数调控实验中，展现出了其在处理图像噪声和细节时灵活、稳定、健壮且易于调控的特点。 　　关键词：聚类分析；图像分割；模糊C均值；多维度；核方法；局部信息 　　中图分类号： TP391.4 　　文献标志码：A 　　0引言 　　图像分割在图像处理以及计算机视觉中一直以来都扮演着极其关键的角色。其主要目的就是将一幅图像分割成数个互不相交的区域，且这些区域是各具特点的。在诸多的图像分割方法[1-5]中，基于聚类分析的图像分割算法是目前研究最多、应用最广泛的算法之一。从聚类分析的角度出发，图像分割实际上就是将图像中所有的像素点依据其特征而进行聚类的过程。本文研究的主要内容是在聚类分析领域最为经典的模糊C均值聚类 （Fuzzy CMeans， FCM） 算法。 　　Ruspini[6]首先在1969年提出了模糊划分的概念，将模糊集理论引入聚类分析中，扩展了隶属度的取值范围并取得了更佳的聚类效果和数据表达能力。随后，基于目标函数的模糊聚类方法[7-10]成为了研究的热门。FCM算法在1974年被Dunn[11]首次提出，并且在1981年由Bezdek[12]进行开发，后发展成为该领域研究的主流。在传统的基于FCM的图像分割算法中，所有的像素点仅仅根据其灰度值（或色彩值）进行聚类而不考虑其位置信息，尤其在图像存在噪声点、奇异点时，分割效果不甚理想。于是，人们开始尝试着将空间信息融入到聚类算法之中。 　　由于FCM是一种基于目标函数的模糊聚类方法，所以许多的改进算法都将位置信息作为调整项加入到原始的目标函数中，从而对聚类结果进行优化。1998年Tolias等[13]提出了一种基于邻域规则的增强机制（rulebased neighborhood enhancement）来引入空间信息约束并在之后将其改进为AFCS（Adaptive Fuzzy Clustering Segmentation）算法[14]。但该算法所制定的规则相当繁琐和复杂，导致其未能得到积极的发展。2002年Ahmed等[15]提出了一种新颖的改进思路将空间局部信息引入到原始目标函数中，该算法的主要思想即是将每个像素点邻域内所有像素点的灰度均值与聚类中心的距离作为惩罚项来对聚类结果进行约束和修正，被称作BCFCM（BiasCorrected FCM）算法。但空间邻域惩罚项在每一步的迭代求解过程中都要进行计算导致该算法的计算量非常大。2004年，Chen等[16]为了提高计算效率，对BCFCM的目标函数进行了优化，代入滤波后的图像信息数据进行计算从而巧妙避免了之前空间邻域惩罚项繁琐的层层迭代。但值得注意的是，这些方法都存在一些至关重要的因子来控制添加的惩罚项和原始目标函数之间的平衡，而大部分情况下，这些因子是难以调控的，并且对聚类结果影响非常之大。2007年，Cai等[17]提出了一些方法来自适应地衡量这些调控因子以及相关参数的值。近些年仍有许多相关算法被陆续的提出和改进[18-25]，例如在2010年Krinidis等[19]提出的FLICM（Fuzzy Local Information CMeans）算法，在该算法中就不需要对任何的参数进行预先的调试和设定。 　　但参数的自适应求解所付出的时间代价也是昂贵的，FLICM算法处理一张100×100像素图片的平均用时也超过100s，而且不能灵活地根据用户需求来对图片分割结果进行调整。于是，迫切需求一种计算快捷效果稳定且易于调控的图像分割算法。这也是本文旨在解决的问题。 　　1基于核的多维度模糊C均值聚类方法 　　本章首先介绍经典的FCM算法及其应用在图像分割上的原理；然后提出基于图像局部信息的多维灰度值向量方法，来权衡图像噪声和细节；并用核方法进行处理，在加速聚类算法速度的同时也提高了聚类结果的鲁棒性。 　　1.1经典模糊C均值方法与图像分割 　　把传统的FCM应用于图像分割就是单纯地把图像中所有像素点的灰度值进行聚类。在FCM中，整个聚类过程就是将