ＦＣＭ算法在图像目标提取中的应用.docVIP

ＦＣＭ算法在图像目标提取中的应用 　　摘要：针对相对复杂图像目标对象的提取问题，本文先运用模糊C均值聚类算法(FCM)对图像进行模糊分割。再根据模糊分类后的图像，本文设计了一种图像目标提取方法。实验表明，这种方法能还原模糊分类后的图像目标，并使背景部分替换成其他颜色，从而实现图像目标的提取。 　　关键词：图像分割；模糊聚类；图像目标提取 　　中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)09-11706-03 　　 　　Background Segmentation Based on Improved Fuzzy C-Means Clustering 　　WU Li 　　(Wenzhou Vocational Technical College, Wenzhou 325035, China) 　　Abstract: Because of the complexity of the mages, this paper applies an Fuzzy C-Means Clustering(FCM) to the background segmentation. Besides, this paper proposes the method of object selection, it could quickly revert the original object which having been fuzzy segmented, and change the color of the background successfully. 　　Key words: image segmentation; fuzzy clustering; object selection 　　 　　1 引言 　　 　　图像目标提取是指在图像中运用图像分割技术来提取热点目标对象，并将背景替换成其他背景。它广泛应用于影视作品和多媒体设计等。常见的图像分割方法，如阈值分割方法有相当大的局限性[4]，要求图像的背景主要是蓝色或者其他单色，而且目标与背景的色彩相异度要很大，这样就很难适用于相对复杂的背景。与阈值分割方法相比，利用模糊聚类方法在对彩色图像进行分割时能够把3个彩色分量RGB作为一个整体进行考虑，分割效果较好。模糊C均值聚类(FCM)是主要的模糊聚类方法，其基本思想是通过迭代来优化用于表示图像像素点与C类中心的相似度的目标函数，获取极大值，从而得到最优聚类[3]。为此，本文将模糊聚类方法运用于图像分割，先利用分层聚类把图像数据分成一定数量的色彩相近的子集，再利用子集中心点和分布密度对图像进行模糊聚类，由于聚类样本数量显著减少，故能保留图像的有用信息。根据模糊分类后的图像，本文还提出了一种目标提取方法。该方法能快速还原模糊分类后的图像目标，并使背景部分替换成其他颜色，从而实现图像目标的提取。 　　 　　2 模糊C均值聚类方法的设计 　　 　　一幅彩色图像通常在彩色空间中围绕一定数量的中心点呈一定的密度分布，分布在各中心点附近的点构成色彩相 　　近的子集，图像点集S 可以看成是np个色彩相似的子集，即，，满足，常量δ越小，子集内色彩越接近。由于np远小于数据样本大小n，因此，如果能预先确定出np个这样的点集，然后利用这些点集的中心和分布密度进行模糊聚类，将极大地提高FCM的运算速度。下面用一个分层聚类方法确定np个色彩相近的样本子集[2，3]。 　　将数据集Cx={x1,x2,…,xn}∈Rpn平均分为t个数据点数为b的子集(n=bt)，记为Cxl,l=1,2,…,t。数据点xi的密度函数定义为该点邻域内的数据点个数，xi的邻域则定义以xi为中心，r为半径的超球体。先定义函数，则Cxl邻域内的数据点密度为： 　　 (1) 　　如果数据点xc1l∈Cxl具有最大的分布密度，即，那么子集Cxl的第1个聚类中心为： 　　 (2) 　　其中，Cc1l为xc1l邻域内的数据点集。找出第1个聚类中心后，接着在集合{Cxl-Cc1l}里查找具有最大密度函数值的数据点xc2l，并将其邻域内的数据点的质心作为第2个聚类中心cenc2l。重复同样的过程，直至，k为获得的中心个数。 　　令l=1,2,…,t重复上述过程，可获得第一层聚类的中心点集和对应的分布密度，把这些聚类的中心重新组合成一个新的数据集，对这个数据集再进行第二层聚类运算，密度函数由式(5)改为式(7)。 　　 (3) 　　其中，nc，D(1)(x)分别为第一层获得的中心个数和中心密度。如此，可得聚类中心Ccj,j=1,2,…,np，np为第二层获得的中心个数。 　　这样，通过分层聚类把样本大小为n的数据集根据一定的