基于鄰域的模糊Ｃ－均值圖像分割算法

摘要：給出了一種改進(jìn)的模糊C－均值圖像分割算法。該算法充分考慮了圖像的空間信息，在圖像存在噪聲的情況下能產(chǎn)生區(qū)域一致的分割結(jié)果，并可以減少圖像噪聲。另外，通過(guò)引入聚類數(shù)目自動(dòng)獲取與聚類中心初始化的算法，一定程度上減少了算法的迭代次數(shù)。

關(guān)鍵詞：模糊C－均值；圖像分割；鄰域；聚類

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695(2007)12-0379-02

圖像分割是指根據(jù)灰度、色彩、空間紋理、幾何形狀等特征將圖像劃分成若干個(gè)互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同^[1]。圖像分割是圖像處理和計(jì)算機(jī)視覺(jué)等領(lǐng)域中最經(jīng)典的研究課題之一，是模式識(shí)別和圖像理解的基本前提步驟，分割質(zhì)量的好壞直接影響后繼圖像處理的效果，具有重要的研究?jī)r(jià)值^[2]。

常見(jiàn)的分割算法主要有邊緣檢測(cè)方法和區(qū)域提取等方法^[1]?；谶吘壍姆椒ㄊ菍D像中要求分割的目標(biāo)提取出來(lái)，從而將目標(biāo)分割出來(lái)；區(qū)域提取是將像素根據(jù)某種規(guī)則進(jìn)行區(qū)域劃分。模糊C－均值（FCM）聚類分割算法^[3]也是一種應(yīng)用較廣泛的方法，特別是醫(yī)學(xué)圖像處理^[4]。它具有良好的局部收斂特性，適合在高維特征空間中進(jìn)行像素分類。FCM算法通過(guò)聚類將圖像的像素分為幾簇。這種聚類通過(guò)對(duì)目標(biāo)函數(shù)的迭代優(yōu)化實(shí)現(xiàn)集合劃分^[5]。有專家和學(xué)者也提出了一些改進(jìn)算法^{[4，6，7]}。例如，通過(guò)引進(jìn)直方圖統(tǒng)計(jì)特性改進(jìn)算法的速度^[8]。文獻(xiàn)[9]先用二維域值分割算法對(duì)圖像進(jìn)行粗分割，并求得聚類中心，以避免直接使用模糊C－均值聚類算法出現(xiàn)的問(wèn)題。另外，也有借助最大熵原則進(jìn)行模糊C－均值聚類的^[10]。圖像中的像素具有高度的空間相關(guān)性^[11]，如一個(gè)像素和它的鄰域像素幾乎具有相同的特征。因此，聚類時(shí)考慮鄰域像素的空間關(guān)系有助于提高圖像分割的質(zhì)量。然而，傳統(tǒng)的FCM算法及現(xiàn)有的改進(jìn)方案并未充分利用這些空間結(jié)構(gòu)信息，圖像中的噪聲像素很可能被錯(cuò)誤分類。筆者在隸屬函數(shù)中加入圖像的空間信息，減小了噪聲對(duì)圖像分割質(zhì)量的影響，使聚類區(qū)域更一致。另外，由于FCM算法為迭代優(yōu)化算法，分割是相當(dāng)耗時(shí)的。為此筆者引入自動(dòng)獲取聚類數(shù)與聚類中心的方法來(lái)減少算法的迭代次數(shù)^[5]，并通過(guò)實(shí)驗(yàn)驗(yàn)證了算法的有效性。

4結(jié)束語(yǔ)

本文在經(jīng)典FCM算法的基礎(chǔ)上，通過(guò)考慮圖像的空間特性，充分利用圖像鄰域像素的特征相似性，對(duì)聚類目標(biāo)函數(shù)進(jìn)行改進(jìn)，減小了噪聲點(diǎn)的權(quán)重，從而減小了噪聲和偽像素點(diǎn)被錯(cuò)誤分類的可能。另外引入聚類數(shù)目和聚類中心初始化方法，在一定程度上減少了算法迭代次數(shù)。FCM算法的理論基礎(chǔ)相對(duì)比較完善，而且在很多領(lǐng)域獲得了成功的應(yīng)用，但是該算法還存在一些亟待解決的問(wèn)題，如模糊加權(quán)指數(shù)m的選擇、聚類原型參數(shù)的最優(yōu)初始化等^[3，5]。另外，由于它是迭代算法，時(shí)間消耗較大^[7，10]，設(shè)法減少算法的運(yùn)行時(shí)間也是今后研究的方向。

參考文獻(xiàn)：

[1]PAL B，PAL S K. A review on image segmentation techniques[J].Pattern Recognition，1993，26(9):1277－1294.

[2]章毓晉.圖像分割[M].北京:科學(xué)出版社，2001.

[3]CARVALHO B M， GAU C J， HERMAN G T， et al. Algorithms for fuzzy segmentation[J].Pattern Analysis Applications，1999，2(1):73-81.

[4]SELVATHI D， ARULMURGAN A， SELVI T， et al. MRI image segmentation using unsupervised clustering techniques[C]//Proc of the 6th International Conference on Computational Intelligence and Multimedia Applications(ICCIMA’05). 2005:105－110.

[5]高新波.模糊聚類分析及其應(yīng)用[M].西安:西安電子科技大學(xué)出版社，2004.

[6]JIANG Lei， YANG Wen－h(huán)ui. A modified fuzzy C－means algorithm for segmentation of magnetic resonance images[C]//SUN C， TALBOT H， OURSELIN S， et al. Proc of Digital Image Computing:Techniques and Applications. 2003:10－12.

[7]ESCHRICH T， KE Jing－wei， HALL L O， et al. Fast fuzzy clustering of infrared images[C]//GRUVER B， SMITH M， HALL L O. Proc of the 9th IFSA World Congress and 20th NAFIPS International Conference. 2001:1-6.

[8]BRINK A D.Thresholding of digital images using of two－dimensional entropies[J].Pattern Recognition，1992，25(8)：803-808.

[9]CHEN H D， CHEN J R， LI Ji－guang. Threshold selection based on fuzzy C－partition entropy approach[J].Pattern Recognition，1998，31(7):857-870.

[10]周禮平，高新波.圖像分割的快速模糊C－均值聚類算法[J].計(jì)算機(jī)工程與應(yīng)用，2004，40(8):68-70.

[11]CHUANG K S， TZENG H L， CHEN S， et al. Fuzzy C－means clustering with spatial information for image segmentation[J].Compu－terized Medical Imaging and Graphics，2006，30:9－15.

[12]CLARK M C， HALL L O， GOLDGOF D B， et al. MRI segmentation using fuzzy clustering techniques[J].IEEE Eng Med Biol，1994，13(5):730－742.

[13]PEDRYCZ W. Fuzzy clustering with a knowledge－based guidance[J].Pattern Recognition Letters，2004，25(4):469-480.

[14]BLOCH I. Fuzzy spatial relationships for image processing and interpretation: a review[J].Image Vision Comput，2005，23(2):89－110.

[15]TSAI D M，CHEN Y H.A fast histogram－clustering approach for multi－level thresholding[J].Pattern Recognition Letters，1992，13(4):245-252.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文”