《模糊C―均值算法在彩色图像分割中的应用》由会员分享，可在线阅读，更多相关《模糊C―均值算法在彩色图像分割中的应用（20页珍藏版）》请在金锄头文库上搜索。
1、FCM算法在彩色图像分割中的 应用 主要内容 彩色图像分割概述 模糊C 均值 FCM 算法简介 基于FCM算法的图像分割 彩色图像分割概述 图像分割是一个基于某种属性对像素进行分类的过 程 图像分割的效果直接决定了后续图像分析 图 像理解和模式识别的性能 具有重要的研究价值 总的说来 对彩色图像进行分割有两个首要的问题 需要考虑即 选择什么样的彩色空间 采用什 么样的分割方法 图像分割问题是典型的结构不良问题 而模糊集理 论具有描述结构不良问题的能力 它提供了一种代 表和处理不确定性和模糊性的机制 在模糊集合中 图像中每一个象素点的成员关系值描述了它属于一 个区域或边界的隶属度 这样可以避免过
2、早的给其 下一个明确的判决 模糊C 均值算法 Fuzzy C Means FCM 方法是一种迭代最优化 方法 它是基于计算数据点和聚类中心的 距离以决定数据点与每一个聚类的关系 聚类的中心点根据聚类结果更新 在迭代 过程中用客观标准函数来得到最小化聚类 数据点和聚类中心点的距离 并使各聚类中 心点间的距离最大化 从而得到最优聚类 这种方法计算量大 不具备实时性 模糊 C 均值聚类方法常被用于医学图像的分割 1974 年 J C Dunn 将模糊集理论与 ISODATA 算法相结合 提出了模糊 C 均值 聚类算法 同年 J C Bezdek 在模糊 C 均值聚类算法的目标函数中引入模糊度参 数
3、得到更一般意义下的模糊C 均值聚类 算法 这种算法就是目前广泛研究和应用 的模糊 C 均值聚类算法 FCM 1 彩色图像分割算法的研究与实现 张晓芸 重庆大学 2005 FCM算法的历史 处理对象及目标函数定义 1 n Xxx i x 2cn 1 c Vvv 22 T ikkiAkiki dxvxvA xv k x i v 2 11 ik nc r ik ki J X U Vud ik u 1 1 c ik i u 求解方法 FCM通过反复迭代优化目标函数来求解最佳 聚类 执行步骤可以如下 1 初始化聚类中心 2 计算隶属度矩阵 k 1 2 n 3 更新聚类中心 4 重复2 3至前后两次迭代的
4、隶属度矩阵元素最大误差 给定的 12 c Vv vv 1 2 1 1 r c ikki ik j jkkj dx v u dx v 1 1 n r ikk k in r ik k ux v u 待分类数据集X 初始化 基本参数 初始聚类中心或隶属度 矩阵 迭代次数LOOP 迭代次数T LOOP 计算新的隶属度矩阵和 聚类中心 检查收敛情况 输出聚类中心或循环结 束 是 否 是 否 模糊 C 均值聚类算法流程图 FCM的优点 聚类自动化 不需要人为干预 聚类稳定 初始聚类中心可以随机给出 收敛结果基本不受影响 有广泛的研究基础和诸多改进方法 RGB空间的FCM分割 计算机中存储的真彩色数字图像
5、一般以 RGB三个分量作为像素的量值 实验使用24位真彩色BMP位图图像 步骤如 下 1 将图像读入内存 用FCM算法进行聚类 2 根据输出隶属度矩阵和聚类中心对像素重 新赋值 3 保存新图像到BMP文件 图1 a 源图像 图1 b 结果图像 处理结果 1 聚类数 c 3 2 聚类数 c 4 处理 结果的聚 类数为3 3 聚类数 c 3 图1 b 结果图像 图1 a 源图像 4 聚类数 c 3 5 聚类数 c 3 彩色空间的选取 通过以上试验 直观来看该算法在RGB彩色 空间效果并不好 分割出的各个集合与人 眼的直观感受有很大出入 因此考虑选择与人眼视觉特性更为接近的 HSV彩色空间 在分割前
6、先将图像转换到 HSV空间 然后主要依据分量色调H 做分 割处理 HSV空间的分量 HSV彩色空间是一种适合肉眼分辨的模型 H 色相 表示色彩信息 即所处的光谱颜 色的位置 该参数用角度量来表示 红 绿 蓝分别相隔120度 互补色分别相差 180度 S 饱和度 该参数为一比例值 范围从0到 1 它表示成所选颜色的纯度和该颜色最大 的纯度之间的比率 S 0时 只有灰度 V 亮度 表示色彩的明亮程度 范围从0 到1 HSV与RGB的转换方法 0 if maxmin 60 if max and max min 60 360 if max and max min 60 120 if max max m
7、in 60 240 if max max min gb rgb gb hrgb br g rg b 0 if max0 max minmin 1 otherwise maxmax s maxv HSV与RGB的转换方法 处理结果 图2 a 源图像 图2 b 结果图像 1 聚类数 c 3 2 聚类数 c 4 3 聚类数 c 3 图2 a 源图像 4 聚类数 c 3 5 聚类数 c 3 图2 b 结果图像 对处理结果的分析与总结 根据HSV色彩空间三个分量的含义 在用FCM求解 隶属度矩阵时可以设定各分量的权重 以得到较 为理想的分割效果 通过与RGB空间的分割效果比较可以看到合理选 择色彩空间是
8、很重要的 可以推测CIE L a b 色彩 空间的聚类效果会更好 但是这类非线性变换空 间存在不可消除的奇点 FCM算法的一个优点是如果指定聚类数过大 聚 类结果中会出现极为接近的聚类中心 因此实际 上的聚类中心数会比较稳定 FCM算法的缺点 基于FCM算法的图像分割对大量数据进行迭代处理 需要 较长的处理时间 这是该算法的主要缺陷之一 对于如何 实现快速FCM聚类有以下一些参考文献 1 基于FCM的快速模糊聚类算法研究 匡平等 电子测量与仪器学 报 2007 2 一种快速的模糊C均值聚类彩色图像分割方法 杜海顺等 计算 机工程与应用 2009 3 一种新的快速模糊C均值聚类图像分割算法 孙艺峰等 小型微 型计算机系统 2008 4 基于熵约束的快速FCM聚类多阈值图像分割算法 田军委等 模式识别与人工智能 2008
