结合模糊聚类算法的图像分割方法
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
张勇昌
（ 江苏建 筑职业技 术 学院公 共基 础 学 院 江 苏徐 州 ２ １ １ ） ２ １ ６
【 摘 要 】在 介绍聚 类分析原 理 的基础 上 ，比较 了几 种聚 类分 割 算法 ， 出 了模糊 Ｃ 均值 聚 类方 法在 图像分 割 中 得 一 的优势 。最 后 ， 于排 列组合 熵和灰 度特征 ， 基 结合 模糊 Ｃ 均值 聚 类算 法 对 图像纹 理进 行分 割。实验结果 表 明， 一 该 方 法 既能 快速地 分割 图像 ，又具 有 较好 的抗 噪能力 ，分 割效 果 较为理 想 。
基 于 聚类分析 的图像 分割方 法是 图像 分割领 域 中
一
理 ， ｗｉ 首 先 提 出 了 图像 分 割 时应 该 采 用 模 糊 处 理 Ｐ ｔ ｔ 的方 法［ 。 ３ 同时 ， 练样本 图像 的匮乏 又需要无 监督 分 ］ 训 析， 而模糊 聚类 正好 满足 这两 方面 的要求 ， 因此成 为图
【 键词 】模 糊 Ｃ 均 值 ，图像 纹 理 ，纹 理分 割 ，灰度特 征 关 一
中 图 分 类 号 ：Ｔ ３ １４ Ｐ ９．１ 文 献 标 识 码 ：Ａ
ＡＢ Ｔ Ｓ ＲＡＣＴ Ｉ ｈ ｎ ｒ ｄ ｃｉ ｎ ｏ ｌ ｓ ｅ ｉ ｇ ａ ａ ｙ ｉ ，ｔ ｅ ｂ ｓｃ ｐ ｉ ｃ ｐ ｅ ｏ ｈ ｏ ａ ｉｏ ｆｓ ｖ ｒ ｌｃ ｕ ｔ ｒｎ ｅ ｍｅ ｔ ｔ ｎ ｎ ｔ ｅ ｉ ｔ ｏ ｕ ｔｏ ｆｃ ｕ ｔ ｒｎ ｎ ｌ ｓｓ ｈ ａ ｉ ｒｎ ｉ ｌ ｆ ｔ ｅ ｃ ｍｐ ｒｓ ｎ ｏ ｅ ｅ ａ ｌ ｓｅ ｉ ｇ ｓ ｇ ｎ ａ ｉ ｏ ａ ｇ ｒｔ ｍ ，ｄ ａ ｔ ｅ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ｉ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｍｅ ｈ ｄ ｏ ｄ ａ ｔ ｇ ．Ｆ ｎ ｌ ｉ ｇ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔｏ ａ ｅ ｌ ｏ ｉｈ ｒ ｗ ｈ － ａ ｓ ｃｕ ｔ ｒ ｎ ｔ ｅｉ ｇ ｅ ｍｅ ｔ ｔ ｔ ｏ ｆａ ｖ ｎ ａ ｅ ｉ ａｌ ｎ ｏ ｙ， ｍａ ｅ ｔ ｘ ｕ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｈ ｅ ｍ ｕ ａ ｉｎ ａ ｄ ｃ ｍｂ ｎ ｔ ｎ ｅ ｔ ｏ ｙ ａ ｄ ｇ ａ ｈ ｒ ｃ ｅ ｉｔ ｓ，ｃ ｍｂ ｎ ｄ ｗｉ ｈ ｕ ｚ — ａ ｓ ｃｕ ｔ ｒｎ ｌ ｏ ｉｈ ．Ｔｈ ｎ ｔ ｅ ｐ ｒ ｔ ｔ ｎ ｏ ｉ ａ ｉ ｎ ｒ ｐ ｎ ｒ ｙ ｃ ａ ａ ｔ ｒｓ ｉ ｏ ｏ ｃ ｏ ｉ ｅ ｔ ｔ ｅ ｆ ｚ ｙ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ａ ｇ ｒｔ ｍ ｈ ｅ
类极 其 重 要和应 用 相 当广 泛 的算 法 ， 用 于 灰度 图 适
像、 彩色 图像 分割 、 理 图像 等各 类 图像 。 纹
１ 聚类 基 本 原 理
聚 类 就是 用数 学方 法研 究 处 理 给定 的对 象 ， 具 把 有相 似 性质 的事物 区分开并 加 以分类 ［ 。经典 分类 学 １ ］ 往 往是 从 单 因素或 有 限 的几 个 因素 出发 ， 经验 和 专 凭 业知 识对 事 物分类 。 种分类 具有 非彼 即此 的特性 ， 这 同
一
像 处 理 中一个 强大 的研究 分析 工具 。 聚类 分 割 算法 不需 要 提 供 训 练样 本 ， 一种 无 监 是 督 的统计 方法 。 聚类 算法 迭代 地进行 图像 分类 ， 并提 取 各 类 的特 征值 。典 型 的聚类 分 割算 法有 Ｋ 均值 算法 、 模 糊 Ｃ 均值 算法 （ｕｚ — ａ ｓ Ｆ Ｍ ） 期望 最 大化 一 ｆｚｙＣ ｍｅｎ ， Ｃ 、 及 分层 聚类 方法 等 。 均值 算 法先 对 当前 的每一 类 求 均值 ， 后 按新 然 均 值 对像 素 进行 重 新分 类 ， 新 生成 的类再 迭 代 进行 对 前 面 的步骤 ； 糊 Ｃ 均值 算法 是从 模糊 理论 角 度对 模 一 均 值 算法 进 行 推广 ； 望最 大 化算 法 是 把 图像 中每一 期 个 像 素 的灰 度 值 看 作 几 个 概 率 分 布按 一 定 比例 的混 合 ， 过 优化 基 于最 大后 验 概 率 的 目标 函数 来 估计 这 通 几 个 概率 分 布 的参数 和 它 们 之 间 的混合 比例 ； 分层 聚 类 方 法通 过 一 系列 连续 合 并 和分 裂 完成 ， 聚类 过 程可 以 由一 个类 似树 的结构 来表 示 。
ｍｏ ｅ ｉ ｅ １ ｒ ｄ ａ ． ＫＥＹＷ ＯＲＤＳ ｆ ｚ ｙ Ｃ－ ａ ｓ ｉ ｇ ｅ ｔ ｒ ， ｔ ｘ ｕ ｅ ｓ ｇ ｎ ａ ｉ ｎ，ｇ ａ ｈ ｒ ｃ ｅ ｉｔｃ ｕ ｚ ｍｅ ｎ ， ｍａ ｅ ｔ ｘ ｕ ｅ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔ ｏ ｒ ｙ ｃ ａ ａ ｔ ｒｓ ｉｓ
第２ ４卷
第 １ 期 １
电 脑 开 发 与 应 用
文 军 编 号 ：０ ３５ ５ （ ０ １ １ － ０ ９０ １ ０ － ８ ０ ２ １ ） １０ ４ — ３
结合模 糊 聚 类算 法 的 图像 分 割方 法
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ Ｍ ｅ ｈ ｄ Ｕｓ ｎｇ Ｆｕ ｚ ｕ ｔ ｒ ｎｇ Ａｌ ｏ ｉｈ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ｔ ｏ ｉ ｚ ｙ Ｃｌ ｓ ｅ ｉ ｇ ｒ ｔ ｍ
ｅ ｐ ｒｍｅ ｔ ｌｒ ｓ ｌｓｓ ｏ ｏ ｂ ｆｅ ｔｖ ａ ｅ ｓ ｇ ｎ ａ ｉｎ ａ ｄ ｈ ｓｇ ｏ ｅ ｆ ｒ ｎ ｅ ｏ ｅ ｉｔｎ ｏｓ ｘ ｅ ｉ ｎ ａ ｅБайду номын сангаасｕ ｔ ｈ ｗｎ ｔ ｅ ｅ ｆｃ ｉ ｅ ｉ ｉ ｇ ｅ ｍｅ ｔ ｔｏ ｎ ａ ｏ ｄ ｐ ｒ ｏ ｍａ ｃ ｆｒ ｓｓ ｉ ｇ ｎ ｉｅ，ｓ ｇ ｎ ａ ｉ ｎ ｅ ｆ ｃ ｎ ｍ ｅ ｍｅ ｔ ｔ ｆｅ ｔ ｏ
（ 江苏建 筑职业技 术 学院公 共基 础 学 院 江 苏徐 州 ２ １ １ ） ２ １ ６
【 摘 要 】在 介绍聚 类分析原 理 的基础 上 ，比较 了几 种聚 类分 割 算法 ， 出 了模糊 Ｃ 均值 聚 类方 法在 图像分 割 中 得 一 的优势 。最 后 ， 于排 列组合 熵和灰 度特征 ， 基 结合 模糊 Ｃ 均值 聚 类算 法 对 图像纹 理进 行分 割。实验结果 表 明， 一 该 方 法 既能 快速地 分割 图像 ，又具 有 较好 的抗 噪能力 ，分 割效 果 较为理 想 。
基 于 聚类分析 的图像 分割方 法是 图像 分割领 域 中
一
理 ， ｗｉ 首 先 提 出 了 图像 分 割 时应 该 采 用 模 糊 处 理 Ｐ ｔ ｔ 的方 法［ 。 ３ 同时 ， 练样本 图像 的匮乏 又需要无 监督 分 ］ 训 析， 而模糊 聚类 正好 满足 这两 方面 的要求 ， 因此成 为图
【 键词 】模 糊 Ｃ 均 值 ，图像 纹 理 ，纹 理分 割 ，灰度特 征 关 一
中 图 分 类 号 ：Ｔ ３ １４ Ｐ ９．１ 文 献 标 识 码 ：Ａ
ＡＢ Ｔ Ｓ ＲＡＣＴ Ｉ ｈ ｎ ｒ ｄ ｃｉ ｎ ｏ ｌ ｓ ｅ ｉ ｇ ａ ａ ｙ ｉ ，ｔ ｅ ｂ ｓｃ ｐ ｉ ｃ ｐ ｅ ｏ ｈ ｏ ａ ｉｏ ｆｓ ｖ ｒ ｌｃ ｕ ｔ ｒｎ ｅ ｍｅ ｔ ｔ ｎ ｎ ｔ ｅ ｉ ｔ ｏ ｕ ｔｏ ｆｃ ｕ ｔ ｒｎ ｎ ｌ ｓｓ ｈ ａ ｉ ｒｎ ｉ ｌ ｆ ｔ ｅ ｃ ｍｐ ｒｓ ｎ ｏ ｅ ｅ ａ ｌ ｓｅ ｉ ｇ ｓ ｇ ｎ ａ ｉ ｏ ａ ｇ ｒｔ ｍ ，ｄ ａ ｔ ｅ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ｉ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｍｅ ｈ ｄ ｏ ｄ ａ ｔ ｇ ．Ｆ ｎ ｌ ｉ ｇ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔｏ ａ ｅ ｌ ｏ ｉｈ ｒ ｗ ｈ － ａ ｓ ｃｕ ｔ ｒ ｎ ｔ ｅｉ ｇ ｅ ｍｅ ｔ ｔ ｔ ｏ ｆａ ｖ ｎ ａ ｅ ｉ ａｌ ｎ ｏ ｙ， ｍａ ｅ ｔ ｘ ｕ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｈ ｅ ｍ ｕ ａ ｉｎ ａ ｄ ｃ ｍｂ ｎ ｔ ｎ ｅ ｔ ｏ ｙ ａ ｄ ｇ ａ ｈ ｒ ｃ ｅ ｉｔ ｓ，ｃ ｍｂ ｎ ｄ ｗｉ ｈ ｕ ｚ — ａ ｓ ｃｕ ｔ ｒｎ ｌ ｏ ｉｈ ．Ｔｈ ｎ ｔ ｅ ｐ ｒ ｔ ｔ ｎ ｏ ｉ ａ ｉ ｎ ｒ ｐ ｎ ｒ ｙ ｃ ａ ａ ｔ ｒｓ ｉ ｏ ｏ ｃ ｏ ｉ ｅ ｔ ｔ ｅ ｆ ｚ ｙ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ａ ｇ ｒｔ ｍ ｈ ｅ
类极 其 重 要和应 用 相 当广 泛 的算 法 ， 用 于 灰度 图 适
像、 彩色 图像 分割 、 理 图像 等各 类 图像 。 纹
１ 聚类 基 本 原 理
聚 类 就是 用数 学方 法研 究 处 理 给定 的对 象 ， 具 把 有相 似 性质 的事物 区分开并 加 以分类 ［ 。经典 分类 学 １ ］ 往 往是 从 单 因素或 有 限 的几 个 因素 出发 ， 经验 和 专 凭 业知 识对 事 物分类 。 种分类 具有 非彼 即此 的特性 ， 这 同
一
像 处 理 中一个 强大 的研究 分析 工具 。 聚类 分 割 算法 不需 要 提 供 训 练样 本 ， 一种 无 监 是 督 的统计 方法 。 聚类 算法 迭代 地进行 图像 分类 ， 并提 取 各 类 的特 征值 。典 型 的聚类 分 割算 法有 Ｋ 均值 算法 、 模 糊 Ｃ 均值 算法 （ｕｚ — ａ ｓ Ｆ Ｍ ） 期望 最 大化 一 ｆｚｙＣ ｍｅｎ ， Ｃ 、 及 分层 聚类 方法 等 。 均值 算 法先 对 当前 的每一 类 求 均值 ， 后 按新 然 均 值 对像 素 进行 重 新分 类 ， 新 生成 的类再 迭 代 进行 对 前 面 的步骤 ； 糊 Ｃ 均值 算法 是从 模糊 理论 角 度对 模 一 均 值 算法 进 行 推广 ； 望最 大 化算 法 是 把 图像 中每一 期 个 像 素 的灰 度 值 看 作 几 个 概 率 分 布按 一 定 比例 的混 合 ， 过 优化 基 于最 大后 验 概 率 的 目标 函数 来 估计 这 通 几 个 概率 分 布 的参数 和 它 们 之 间 的混合 比例 ； 分层 聚 类 方 法通 过 一 系列 连续 合 并 和分 裂 完成 ， 聚类 过 程可 以 由一 个类 似树 的结构 来表 示 。
ｍｏ ｅ ｉ ｅ １ ｒ ｄ ａ ． ＫＥＹＷ ＯＲＤＳ ｆ ｚ ｙ Ｃ－ ａ ｓ ｉ ｇ ｅ ｔ ｒ ， ｔ ｘ ｕ ｅ ｓ ｇ ｎ ａ ｉ ｎ，ｇ ａ ｈ ｒ ｃ ｅ ｉｔｃ ｕ ｚ ｍｅ ｎ ， ｍａ ｅ ｔ ｘ ｕ ｅ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔ ｏ ｒ ｙ ｃ ａ ａ ｔ ｒｓ ｉｓ
第２ ４卷
第 １ 期 １
电 脑 开 发 与 应 用
文 军 编 号 ：０ ３５ ５ （ ０ １ １ － ０ ９０ １ ０ － ８ ０ ２ １ ） １０ ４ — ３
结合模 糊 聚 类算 法 的 图像 分 割方 法
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ Ｍ ｅ ｈ ｄ Ｕｓ ｎｇ Ｆｕ ｚ ｕ ｔ ｒ ｎｇ Ａｌ ｏ ｉｈ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ｔ ｏ ｉ ｚ ｙ Ｃｌ ｓ ｅ ｉ ｇ ｒ ｔ ｍ
ｅ ｐ ｒｍｅ ｔ ｌｒ ｓ ｌｓｓ ｏ ｏ ｂ ｆｅ ｔｖ ａ ｅ ｓ ｇ ｎ ａ ｉｎ ａ ｄ ｈ ｓｇ ｏ ｅ ｆ ｒ ｎ ｅ ｏ ｅ ｉｔｎ ｏｓ ｘ ｅ ｉ ｎ ａ ｅБайду номын сангаасｕ ｔ ｈ ｗｎ ｔ ｅ ｅ ｆｃ ｉ ｅ ｉ ｉ ｇ ｅ ｍｅ ｔ ｔｏ ｎ ａ ｏ ｄ ｐ ｒ ｏ ｍａ ｃ ｆｒ ｓｓ ｉ ｇ ｎ ｉｅ，ｓ ｇ ｎ ａ ｉ ｎ ｅ ｆ ｃ ｎ ｍ ｅ ｍｅ ｔ ｔ ｆｅ ｔ ｏ