ＦＣＭ與馬氏空間約束條件下的快速圖像分割技術(shù)研究

摘要：提出了一種FCM與馬氏空間約束的快速圖像分割技術(shù)。在FCM圖像分割算法的基礎(chǔ)上，引入了Markov 隨機(jī)場(chǎng)用以描述圖像分割中的空間約束信息，并通過(guò)多級(jí)級(jí)聯(lián)的方式獲得最后的圖像分割結(jié)果。這樣既克服了傳統(tǒng)模糊C均值聚類算法只考慮圖像中的數(shù)值特征信息，忽略像素間的空間約束關(guān)系的缺點(diǎn)，又最大限度地保證了分割算法計(jì)算的簡(jiǎn)單有效性。實(shí)驗(yàn)證明，與其他模糊C均值聚類算法相比，本文方法有更好的可靠性與有效性。

關(guān)鍵詞：圖像分割； 馬氏空間約束； 模糊C均值聚類

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001－3695(2007)08－0220－03

模糊C均值聚類算法(FCM)[1]是一種在圖像分割中應(yīng)用非常廣泛的方法，它擁有自動(dòng)分割圖像等優(yōu)點(diǎn)。但傳統(tǒng)的FCM算法只利用了像素的灰度及顏色等數(shù)值特征信息，沒(méi)有充分考慮圖像分割中像素間的空間約束關(guān)系。因此FCM算法在噪聲存在的情況下，不能取得令人滿意的分割效果。針對(duì)以上FCM算法的缺點(diǎn)，許多學(xué)者提出了引入空間約束關(guān)系的FCM算法[2，3]。文獻(xiàn)[2]提出了一種基于聚類形狀約束的FCM算法，但其約束條件為比較特殊的形狀，因此算法的應(yīng)用范圍不廣。由于Markov 隨機(jī)場(chǎng)(MRF，與Gibbs隨機(jī)場(chǎng)等效)模型[4，5]能夠很好地描述圖像中像素間的空間約束關(guān)系，有學(xué)者將MRF模型引入到經(jīng)典FCM算法中[3]以克服其固有的缺點(diǎn)。文獻(xiàn)[3]提出了一種基于Gibbs隨機(jī)場(chǎng)的FCM算法(GFCM)，應(yīng)用Gibbs隨機(jī)場(chǎng)來(lái)描述像素間的空間約束關(guān)系，并將由Gibbs隨機(jī)場(chǎng)計(jì)算得到的先驗(yàn)鄰域約束信息以乘積的形式引入到FCM目標(biāo)函數(shù)中，從而得到最后的分割結(jié)果。本文提出一種馬氏空間約束條件的FCM算法，與GFCM算法不同的是，該算法將圖像分割分解為基于數(shù)值特征信息的FCM聚類與基于馬氏空域約束的圖像分類等多個(gè)階段，從而得到既包含像素?cái)?shù)值特征又包括空間約束信息的圖像分割結(jié)果。圖1顯示了整個(gè)算法的結(jié)構(gòu)模型。

4結(jié)束語(yǔ)

本文將高維特征數(shù)據(jù)聚類的圖像分割問(wèn)題分解為多個(gè)低維特征的分類問(wèn)題；通過(guò)FCM算法獲得數(shù)值特征的模糊分類結(jié)果與空域約束特征；根據(jù)馬氏空域約束分類獲得最后的分類結(jié)果。實(shí)驗(yàn)表明：本文算法擁有比其他分類算法更好的分割性能，并保持了算法計(jì)算的簡(jiǎn)潔性，在圖像分割中取得了較好的結(jié)果。今后的工作將集中在分類數(shù)目K的自適應(yīng)確定問(wèn)題上。

參考文獻(xiàn)：

［1］BEZDEK J C. Pattern recognition with fuzzy objective function algorithms[M]. NY： Plenum Press， 1981:309－321.

[2]LEUNG S H， WANG Shilin. Lip image segmentation using fuzzy clustering incorporating an elliptic shape function[J]. IEEE Trans on Image Processing， 2004，13(1):51－62.

[3］馮衍秋，陳武凡，梁斌，等. 基于Gibbs 隨機(jī)場(chǎng)與模糊C均值聚類的圖像分割新算法[J].電子學(xué)報(bào)，2004，32(4)：645－647.

[4］BESAG J. Spatial interaction and the statistical analysis of lattice systems[J]. J Roy Statist Soc B，1974，36（2）:192－236.

[5]DERIN H， ELLIOTT H. Modeling and segmentation of noisy and textured images using Gibbs random fields[J]. IEEE Trans Pattern Anal Machine Intell， 1987，9(1):39－55.

[6］高新波，李潔，姬紅兵. 基于加權(quán)模糊C均值聚類與統(tǒng)計(jì)檢驗(yàn)指導(dǎo)的多閾值圖像自動(dòng)分割算法[J]. 電子學(xué)報(bào)， 2004，32(4)：661－664.

[7］Brain MR images[EB/OL].(2001－08).[2006－03－21].http://www.bic.mni.mcgill.ca/.

注：“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”