基于空間鄰域加權平均信息的二維FCM圖像分割

唐英干，劉海芳（燕山大學電氣工程學院，河北秦皇島066004）

基于空間鄰域加權平均信息的二維FCM圖像分割

唐英干?，劉海芳
（燕山大學電氣工程學院，河北秦皇島066004）

摘 要：基于空間鄰域信息的二維FCM（2DFCM）算法通過計算像素的鄰域平均，將像素的空間位置信息引入分割過程，克服了FCM算法的缺點。但2DFCM算法在計算空間鄰域信息時，采用了均值思想，不能有效地體現鄰域中其他像素對中心像素的影響程度。為此，本文提出了一種加權的空間鄰域信息計算方法，采用模糊聚類的思想，計算鄰域中其他像素對中心像素的影響權值，從而得到更加合理的空間鄰域信息，進一步提高了FCM的分割性能。實驗證明了該方法的有效性。

關鍵詞：FCM；圖像分割；加權空間鄰域信息；二維數據特征值

0　引言

圖像分割是圖像處理和機器識別的基礎步驟。圖像分割即根據一定的特征值將圖像分割成互不重疊的幾個區域，從而提取出圖像中感興趣的區域，在同一區域內這些特征是相似的，而不同區域之間是不相似的。目前圖像分割已成功應用于醫學圖像處理［1?4］、農業圖像處理［5?7］、交通圖像處理［8?10］和工業圖像處理［11?12］等許多領域。

由于不同圖像之間內容差異很大，以及待提取目標的特性不同，使得圖像分割的難度很大。目前還沒有一種適合所有圖像的通用分割方法。近幾十年來，很多學者對圖像分割方法進行研究提出了多種圖像分割方法，大致可以分為：邊緣檢測圖像分割法［13?17］、基于區域圖像分割法［18?19］、閾值法圖像分割［20］、聚類法圖像分割［21?25］。聚類法是一種基于相似性測量的分類方法，由于其方法簡單，分類效果好，成功應用于圖像分割領域形成聚類圖像分割法，應用范圍較廣。

經典的聚類圖像分割是一種硬分割，把圖像中的每個像素硬性劃分到某一類中，但是圖像分割具有不確定性，圖像中像素在類屬方面存在模糊性。模糊聚類圖像分割算法，在聚類算法中引入模糊概念，能更客觀地描述圖像分割中的不確定性和模糊性。模糊C均值算法（FCM）是模糊聚類算法中應用最廣泛的一種方法，它通過迭代優化目標函數從而得到最佳聚類，FCM圖像分割方法已經在圖像分割領域得到了成功且廣泛的應用。但是FCM由于只利用了圖像的灰度信息而忽略了像素之間的空間鄰域信息，導致圖像分割精度下降，尤其對于噪聲圖像分割結果不理想。為了克服這一缺陷，很多學者對現有算法進行了改進。文獻［26］中提出了一種在距離公式中引入空間信息的方法，用鄰域像素到聚類中心的距離加權和代替單一像素到聚類中心的距離，但是該方法中距離的計算公式復雜給計算帶來困難，浪費計算時間。文獻［27?29］提出了一種在目標函數中添加約束項引入空間信息的方法，改善了FCM圖像分割方法對含有噪聲圖像的處理能力，但是該方法在引入約束項的同時引入了平衡空間信息的參數，該參數難以確定給算法帶來困難，且由于改變目標函數使得隸屬度和聚類中心的迭代公式變得繁雜難解。文獻［30?32］通過定義一個自變量為隸屬度的空間函數引入空間信息，在隸屬度的更新計算過程中利用該空間函數在算法中引入空間鄰域信息，這類方法中隸屬度和聚類中心的計算公式與經典FCM中相同但是由于每次迭代都需要對空間函數進行計算，增加了大量計算時間。近來，一種基于空間鄰域信息的二維FCM圖像分割方法（2DFCM）被提出［33］。該方法引入濾波思想在FCM迭代算法之前基于原圖像灰度值計算空間鄰域信息，減少了迭代計算時間。但是該方法中的空間鄰域信息采用均值濾波的思想計算得到，使鄰域區域中每一個像素點對中心像素點的影響程度是一樣的，而實際上由于鄰域中像素距離中心點像素距離不同，對中心點的影響程度是不同的。

本文在對基于空間鄰域信息的二維FCM圖像分割方法進行改進的基礎上，提出了一種基于加權空間鄰域信息的FCM圖像分割方法（w?2DFCM）。通過構造加權鄰域信息，和原圖像中像素點的灰度值結合構成二維特征值，基于此二維特征值對圖像進行分割。在權值計算中應用模糊聚類思想，得到鄰域中每個像素對中心像素的影響程度，并加權計算得到合理有效的空間信息，對算法分割效果進行了改善，且該方法只需在迭代優化目標函數之前計算一次空間鄰域信息，因此大量節省了計算時間。

1　二維FCM圖像分割方法（2　DFCM）

FCM聚類算法是一種基于目標函數的聚類算法，2DFCM的目標函數與經典FCM相同，定義如下：

其中，Ω為樣本數據空間，即待分割圖像的特征值，Ω＝｛yj，j＝1，2，…，n｝；c是聚類數目；ujk為隸屬度值，表示數據yj屬于第k類的隸屬程度；m是模糊參數，該值越大則模糊程度越大，越小則越接近硬分割；數據yj為灰度值對yj＝（xj，s（xj），其中s （xj）表示待分割圖像的像素值xj的空間鄰域信息，應用二維數據yj作為待分割圖像的特征值，與經典FCM中使用單一像素灰度值作為待分割圖像的特征值相比，該二維數據特征值既包含像素自身的灰度信息也包含其鄰域信息，具有更好的圖像分割性能；vk表示第k類聚類中心。

xj的鄰域信息計算為

NB（xj）為像素值xj的鄰域窗口本文中為以xj為中心的3×3鄰域窗口；n為鄰域窗口中除中心像素點外的所有像素點個數；xl為所選鄰域窗口中的鄰域像素值。

FCM聚類算法通過迭代計算ujk和vk的值，不斷優化目標函數，從而得到最好的聚類結果。vk和ujk的更新公式為

2　基于加權空間鄰域信息的FCM圖像分割方法（w?2　DFCM）

2.1加權空間鄰域信息模型

對被分割圖像中的任一像素點xj，確定它的鄰域區域NB（xj），在鄰域區域中的所有像素點均對像素xj有影響，在2DFCM中使用求均值的方法計算xj的鄰域信息，使得鄰域區域中所有像素對像素的影響程度是相同的，而在實際圖像中像素xj的鄰域區域NB（xj）中的像素對xj的影響程度是各不相同的。為此本文提出了一種加權鄰域信息的構造方法，

式中權值p（xj，xl）表示xl對xj的影響程度，為了得到更加合理的加權鄰域信息，鄰域窗口中與中心像素值不相似的鄰域像素點的權值應該很小，而和中心像素點相似的鄰域像素點權值應很大。因此在權值計算中應用模糊聚類的思想，將權值看做模糊隸屬度值進行計算，其計算公式為

式中，模糊參數m選為2，將中心像素值xj設置為聚類中心，則權值p（xj，xl）即鄰域像素xl對聚類中心xj的隸屬度值。在式（6）中當xl與xj的距離越大，xl對于xj的隸屬度值u（xj，xl）越小，即式（6）計算所得的權值p（xj，xl）越小，表示鄰域像素xl對xj的影響程度越小，反之，當xl與xj的距離越小，由式（6）計算所得權值越大，這與式（5）中要求鄰域窗口中與中心像素值越相似的鄰域像素點對中心像素點影響越大的要求相一致，從而得到更加合理的空間加權鄰域信息，提高了算法對噪聲的消除能力。圖1所示為式（2）和式（5）計算所得鄰域信息比較，結果證明本文構造的加權空間信息與均值空間信息相比在消除噪聲方面更具有優勢。

圖1　使用式（2）和式（5）計算所得中心像素點鄰域信息Fig.1　The computered spatial information of center pixel using equations（2）and（5）

圖1中（a）為一個中心像素值為36的鄰域窗口其鄰域內有一個像素值為180的噪聲點，（b）、（c）分別為采用式（2）和式（5）求得的（a）的均值空間鄰域信息和加權空間鄰域信息，（d）為一個中心像素值為180的鄰域窗口且其中心像素點為噪聲點，（e）、（f）分別為采用式（2）和式（5）求得的（d）的均值空間鄰域信息和加權空間鄰域信息。比較圖1中（d）、（e）、（f）可以看出當噪聲點位于中心位置作為被處理對象時，基于加權空間鄰域信息的方法得到的空間信息與均值濾波得到的空間信息基本一致，均能利用空間信息消除圖像中噪聲的影響。比較圖1（a）、（b）、（c）可以看出當噪聲點位于正常點的鄰域區域中時，由于噪聲點灰度值與鄰域窗口中的其它像素點差距較大，由式（5）計算得到的權值較小從而消弱了噪聲點對正常的中心點的影響使所得空間鄰域信息更加合理，而均值濾波法得到的空間鄰域信息則人為加大了噪聲對中心像素點的影響使所得空間信息不具有合理的物理意義。

2.2w?2DFCM算法步驟

本文提出的w?2DFCM圖像分割算法，在w?2DFCM算法迭代之前對被分割圖像進行預處理引入空間鄰域信息。基于原圖像的灰度值構造加權空間鄰域信息，與原圖像灰度值構成特征值對，w?2DFCM算法對特征值對進行分類，通過式（3）和（4）迭代更新聚類中心和隸屬度，優化式（1）所示目標函數，達到圖像分割的目的。w?2DFCM圖像分割算法具體步驟如下：

1）應用式（5）、（6）計算被分割圖像的每一個像素值xj的加權鄰域信息s（xj），將兩者聯合構成特征值對yj＝（xj，s（xj））；

2）設置參數m，c和迭代次數n，初始化隸屬度矩陣U；

3）計算聚類中心V

4）更新U：

5）檢驗迭代終止條件，驗證迭代次數是否達到設定值n，若沒有達到則轉到第3步繼續迭代優化目標函數，若達到n，則停止迭代，按照最大隸屬度原則分割圖像。

在上述步驟（3）中由于特征值yj包含了像素灰度值和像素鄰域灰度值，聚類中心在灰度值和鄰域灰度值兩個方向上更新，得到二維聚類中心與二維特征值對應。

3　仿真實例

為了驗證本文算法的圖像分割性能，選取‘le? na’、‘skrew’、‘blood’和‘camera’4幅圖像，分別應用不同FCM算法對這4幅圖像進行分割仿真實驗，比較分割結果驗證本文算法的有效性。

3.1對自然圖像分割結果比較

為了驗證本文算法w?2DFCM在分割無噪聲圖像時的有效性，采用經典FCM算法、文獻［29］中提出的算法RFCM、文獻［31］中提出的算法s?FCM、文獻［33］中算法2DFCM和本文算法w?2DFCM對‘lena’和‘skrew’兩幅圖像進行分割仿真比較。分割結果如圖2、圖3所示。

圖2　‘lena’圖像分割結果對比Fig.2　Segmentation results of image‘lena’

圖2中可以看出，對于無噪聲的待分割圖像‘lena’和‘skrew’，上述5種算法都能對圖像進行成功分割，分析比較圖2中分割結果可以看出w?2DFCM算法的分割結果（f）和FCM、RFCM分割結果（b）、（c）中圖像上嘴唇鼻子睫毛和眼睛具有更完整的輪廓形狀，圖3中w?2DFCM算法的分割結果（f）和FCM、RFCM分割結果（b）、（c）中圖像上螺紋更完整，均包含更多細節信息與原始圖像更加相符，因此本文算法w?2DFCM由于構建了更合理的更符合事實的空間鄰域信息，使得w?2DFCM算法在包含空間鄰域信息的同時能使分割結果保留更多細節信息提高圖像分割效果。

為了客觀顯示各種算法對噪聲處理能力，定義誤分率為

其中，r為錯分率，perror表示錯誤分割的像素個數，pall表示所有像素個數，r∈［0，1］，r值越小表示分割效果越好。應用式（7）所示的誤分率描述圖2、圖3中的分割結果，如表1所示。

圖3　‘skrew’圖像分割結果對比Fig.3　Segmentation results of image‘skrew’

3.2對噪聲圖像分割效果比較

為了驗證本文算法對噪聲圖像的分割效果，選取圖像‘blood’、‘camera’和‘skrew’，對圖像添加強度為0.02的椒鹽噪聲，應用RFCM、s?FCM、2DFCM和本文算法w?2DFCM對添加噪聲的圖像進行分割，得到仿真結果如圖4、圖5和圖6所示。

圖4　加入椒鹽噪聲的‘blood’圖像分割結果Fig.4　Segmentation results of noisy image‘blood’

圖5　加入椒鹽噪聲的‘camera’圖像分割結果Fig.5　Segmentation results of noisy image‘camera’

圖6　加入椒鹽噪聲的‘skrew’圖像分割結果Fig.6　Segmentation results of noisy image‘skrew’

觀察分析圖4、圖5和圖6中分割結果，顯然w?2DFCM和s?FCM分割方法在分割含有噪聲的圖像方面分割性能更具有優勢。應用式（7）所示的誤分率描述圖4、圖5和圖6中的分割結果，表2 為4種算法分割結果誤分率比較。

從表2中可以看出本文算法w?2DFCM在分割噪聲圖像時能夠有效消除噪聲影響，得到更準確的分割結果，證明本文算法在分割噪聲圖像方面具有優勢。

為了進一步驗證本文算法w?2DFCM在噪聲圖像分割方面的有效性，定義式（8）、（9）所示兩種有效性函數：其中，vpc為劃分系數，取值范圍為［1/c，1］，c為聚類數目，vpe為劃分熵，取值范圍為［0，logc］。當同一數據對于不同類別的隸屬度值之間差異越大則vpc的值越趨近于1而vpe的值越小，表明聚類程度越強，聚類結構越明顯，聚類結果越好。反之表明數據集的聚類結果越差。應用上述兩種有效性函數對圖4、圖5和圖6的分割結果進行描述評價，結果如表3、4所示。

比較表3和表4中第2列和第4、5列發現，對于圖像‘camera’和‘skrew’，有效性函數vpc和vpe的比較結果本文算法w?2DFCM略差于RFCM算法，對于圖像‘blood’、‘camera’和‘skrew’本文算法差于算法s?FCM。但是，觀察圖4、圖5和圖6，顯然本文算法w?2DFCM相比于RFCM和s?FCM除去更多的噪聲，分割結果包含更多有小細節信息，且表2中的比較結果也說明算法w?2DFCM分割性能優于RFCM和s?FCM。分析表3表4中vpc和vpe的測量值顯示算法w?2DFCM差于RFCM和s?FCM算法的原因，由式（8）和（9）看出，有效性函數vpc和vpe是根據隸屬度值ujk計算得到的，將隸屬度值的計算式（4）代入vpc和vpe的計算式（8）和（9）中得到vpc和vpe的兩個新的計算式（10）、（11）如下：

式（10）、（11）中顯示有效性函數vpc、vpe的值與數據yj和聚類中心vk的距離有密切的關系，在本文算法w?2DFCM中由于數據yj被擴展為二維數據yj＝（xj，s（xj）），聚類中心vk也為二維數據，因此計算所得的數據與聚類中心之間的距離與算法RFCM和s?FCM中一維數據yj＝xj計算所得距離在數值上和數據分布上會有較大的差異，導致計算所得的有效性函數vpc、vpe差異較大，不能很好的反應算法w?2DFCM與算法RFCM和s?FCM的圖像分割能力，出現表3、表4中數據顯示算法w?2DFCM略差于RFCM算法，差于s?FCM算法的現象。

比較表3和表4中第2列和第3列數據可以看出，對于數據結構均為二維數據的算法w?2DFCM與2DFCM，本文算法w?2DFCM比算法2DFCM在有效性函數vpc和vpe的數值上表現出更大的優勢，進一步證明本文算法的有效性。

上述一系列仿真結果證明本文算法在分割圖像時能構造更加合理的空間鄰域信息，保留更多的原始圖像信息，在圖像中含有噪聲時依然具有良好的魯棒性，本文算法圖像分割有效性得到驗證。

4　結束語

基于空間鄰域信息的二維模糊聚類圖像分割方法是一種有效的引入空間鄰域信息提高算法抗噪性能的方法。但是該算法中假設鄰域中像素對中心像素的影響程度是相同的，而實際圖像中并非如此。本文提出了一種構造加權鄰域信息的方法，對鄰域區域中的像素進行加權計算，在權值計算時引入模糊聚類的思想，使所得空間鄰域信息更加合理有效，對空間鄰域信息的二維模糊聚類圖像分割方法進行了改進。經過試驗比較證明了本文算法中提出的加權鄰域信息構造，能得到更加合理的空間鄰域信息，從而更好的消除噪聲，同時保留更多的原圖像細節信息，不易造成過平滑現象，使算法分割效果更好。本文提出的基于加權空間鄰域信息的二維模糊C均值聚類圖像分割方法在分割噪聲圖像方面更具有競爭力。

參考文獻

［1］王媛媛.合理利用空間信息的MRI腦部圖像分割 J .微型機與應用 2011 30 19 32?34.

［2］龐春穎 劉記奎 韓立喜.改進FCM和LFP相結合的白細胞圖像分類 J .中國圖像圖形學報 2013 18 5 545?551.

［3］柯珊虹 廖亮 王偉凝等.FCM與KFCMⅡ算法在醫學MRI圖像分割中的應用 J .科學技術與工程 2009 9 22 6687?6693.

［4］王海波 李雪耀.基于FCM聚類算法的顱內出血CT圖像分割J .CT理論與應用研究 2009 18 2 99?105.

［5］王雅琴 高華.自然環境下水果圖像分割與定位研究 J .人工智能及識別技術 2004 30 13 128?129.

［6］李景福 趙進輝.基于閾值的彩色農業圖像分割方法研究 J .安徽農業科學 2007 35 28 8869?8870.

［7］吳艷.基于分水嶺算法的核桃葉片圖像分割方法研究 J .科技通報 2014 30 3 100?103.

［8］王衛星 吳林春.基于分數階積分谷底邊界檢測的路面裂縫提取 J .華南理工大學學報 2014 42 1 117?122.

［9］劉芳 代欽 石祥濱 等.基于超像素的快速MRF紅外行人圖像分割算法 J .計算機仿真 2012 29 10 26?29.

［10］歐陽慶.不均勻光照下車牌圖像二值化研究 J .武漢大學學報工學版 2006 39 4 143?146.

［11］李忠杰 胡文濤 胡寧.圖像分割技術在煤礦生產中的應用 J .價值工程 2012 31 11 151?152.

［12］高煒欣 胡玉衡 穆向陽 等.埋弧焊X射線焊縫圖像缺陷分割檢測技術 J .儀器儀表學報 2011 32 6 1215?1224.

［13］Tang H Wu E X Ma Q Y et al.MRI brain image segmentation by multi?resolution edge detection and region selection J .Com?puterized Medical Imaging and Graphics 2000 24 6 349?357.

［14］Padmapriya B Kesavamurthi T Wassim Ferose H.Edge Based Image Segmentation Technique for Detection and Estimation of the Bladder Wall Thickness J .Procedia Engineering 2012 30 828?835.

［15］Chafik Djalal Kermad Kacem Chehdi.Automatic image segmenta?tion system through iterative edge?region co?operation J .Image and Vision Computing 2002 20 8 541?555.

［16］Zahra Zareizadeh Reza P RHasanzadeh Gholamreza Baghersalimi.A recursive color image edge detection method using Green＇s function approach J .Optik?International Journal for Light and Electron Optics 2013 124 21 4847?4854.

［17］Kang Chung?Chia Wang Wen?June.A novel edge detection method based on the maximizing objective function J .Pattern Recognition 2007 40 2 609?618.

［18］Frank Y Shih Cheng Shouxian.Automatic seeded region growing for color image segmentation J .Image and Vision Computing 2005 23 10 877?886.

［19］Cheng H D Jiang X H Wang Jingli.Color image segmentation based on homogram thresholding and region merging J .Pattern Recognition 2002 35 2 373?393.

［20］Ety Navon Ofer Miller Amir Averbuch.Color image segmentation based on adaptive local thresholds J .Image and Vision Compu?ting 2005 23 1 69?85.

［21］Bong Chin?Wei Rajeswari Mandava.Multi?objective nature?inspired clustering and classi cation techniques for image segmen?tation J .Applied Soft Computing 2011 11 4 3271?3282.

［22］Yao Hong Duan Qingling Li Daoliang et al.An improved K?means clustering algorithm for fish image segmentation J .Math?ematical and Computer Modelling 2013 58 3/4 790?798.

［23］Jan Puzicha Thomas Hofmann Joachim M Buhmann.Histogram clustering for unsupervised segmentation and image retrieval J .Pattern Recognition Letters 1999 20 9 899?909.

［24］Zhao Feng Jiao Licheng Liu Hanqiang et al.A novel fuzzy clus?tering algorithm with non local adaptive spatial constraint for image segmentation J .Signal Processing 2011 91 4 988?999.

［25］Cai Weiling Chen Songcan Zhang Daoqiang.Fast and robust fuzzy c?means clustering algorithms incorporating local information for image segmentation J .Pattern Recognition 2007 40 3 825?838.

［26］Liew A W C Leung S H Law W H.Fuzzy image clustering incor?porating spatial continuity J .IEE Proceedings?Vision Image and Signal Processing 2000 147 2 185?192.

［27］Cai Weiling Chen Songcan Zhang Daoqiang.Fast and robust fuzzy c?means clustering algorithms incorporating local information for image segmentation J .Pattern Recognition 2007 40 3 825?838.

［28］Wang Zhimin Song Qing.An adaptive spatial information?theoretic fuzzy clustering algorithm for image segmentation J .Computer Vision and Image Understanding 2013 117 10 1412?1420.

［29］Dzung L Pham.Spatial models for fuzzy clustering J .Computer Vision and Image Understanding 2001 84 2 285?297.

［30］Wang Xiang?Yang Bu Juan.A fast and robust image segmentation using fcm with spatial information J .Digital Signal Processing 2010 20 4 1173?1182.

［31］Chuang Keh?Shih Tzeng Hong?Long.Fuzzy c?means clustering with spatial information for image segmentation J .Computerized Medical Imaging and Graphics 2006 30 1 9?15.

［32］Huynh Van Lung Kim Jong?Myon.A generalized spatial fuzzy c?means algorithm for medical image segmentation C //IEEE Inter?national Conference on Fuzzy Systems Jeju Island 2009 409?414.

［33］Wang Yuan?yuan Yu Jin?hua Shi Xin?ling.Image segmentation with two?dimension fuzzy cluster method based on spatial informa?tion J .Opto?electronic Engineering 2007 34 4 114?119.

Image segmentation based on two?dimension FCM with weighted average spatial information

TANG Ying?gan LIU Hai?fang
School of Electrical Engineering Yanshan University Qinhuangdao Hebei 066004 China

Abstract2DFCM algorithm introduces the spatial information into FCM by calculating the mean of neighboring pixels it overcomes the drawbacks of FCM.However 2DFCM algorithm treats each pixel in a neighborhood equally and can not effectively describe the contribution of other pixels to the center pixel.In this paper we propose a new algorithm to calculate the spatial information.The proposed method weights the contribution of each pixel to center pixel in a neighborhood in which the weights is calculated using the idea of fuzzy clustering.The proposed method can obtain more reasonable spatial information and improve the performance of FCM.Experiments demonstrate the effectiveness of the proposed method.

Key wordsFCM image segmentation weighted average spatial information two dimension data

作者簡介：?唐英干（1975?），男，江西新建人，博士，教授，博士生導師，主要研究方向為圖像處理與分析、智能計算，Email：ygtang＠ysu.edu.cn。

基金項目：國家自然科學基金資助項目（61273260）；中國博士后科學基金特別資助基金項目（2014T70229）；教育部博士點基金資助項目（20121333120010）

收稿日期：2014?12?19

文章編號：1007?791X（2015）03?0246?08

DOI：10.3969/j.issn.1007?791X.2015.03.009

文獻標識碼：A

中圖分類號：TP391.4