2011年1月刊计算机工程应用技术信息与电脑China Computer&Communication图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传播信息的重要手段。但是，由于图像在形成、传输和记录过程中受诸多因素干扰，如各种热、电噪声的干扰及成像设备的局限性等，都会造成图像的模糊和变形，影响人们对其中重要信息的提取。一、应用模糊聚类方法进行图像分割的基本理论图像分割就是将图像表示为物理上有意义的连通区域的集合。人们一般是通过对图像的不同特征如边缘、纹理、颜色、亮度等的分析达到图像分割的目的。图像分割通常是为了进一步对图像进行分析、识别、跟踪、理解、压缩编码等，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。1.1 图像分割的一般模型分割出来的图像区域的均匀性和连通性。其中，均匀性指的是该区域中的所有像素点都满足基于灰度、纹理、彩色等特征的某种相似性准则，连通性指的是该区域内存在连接任意两点的路径。相邻分割区域之间针对选定的某种差异显著性。分割区域边界应该规整，同时保证边缘的空间定位精度。1.2 图像分割方法基于阈值选取的图像分割方法是提取目标与背景在灰度上的差异，把图像分为具有不同灰度级的目标区域和背景区域的组合。阈值法对分割目标和背景对比较强的景物有着很强的优势，计算较为简单，并且可以用封闭和连通的边界定义不交叠的区域，是图像分割中最有效且实用的技术之一。根据获取最优分割阈值的途径可以把阈值法分为全局阈值法、动态阈值法、模糊阈值法和随机阈值法等。二、改进的基于模糊C一均值聚类的图像分割算法2.1 基于模糊C 一均值聚类的图像分割算法存在的问题基于模糊C 一均值(Fuzzy C —means ，FCM)聚类的图像分割算法在特征提取中未考虑其空间信息，对于分割含噪声的图像不能得到满意的结果。为了在图像分割的过程中能有效抑制噪声的影响，很多学者对传统的FCM 聚类算法做了改进，其中文献[43]的基于空间模式聚类的图像分割方法能够有效地抑制噪声，但对特征集的计算比较复杂，而且分割效果受权重因子的影响很大。2.2 一种改进的基于模糊C 一均值聚类的图像分割算法为了对图像分割算法进行评价，已经提出多种评价准则，而且这些准则的切入点不同，各有特点。它们有的是分析指标，用于直接分析分割算法的性能，有的是实验指标，用于评价分割算法的实验结果。所以可以把这些评价准则分成分析的准则和实验的准则两类。另外，在这些准则中，有些可以定性地表明算法的性能，有些可以定量地刻画算法的性能。三、基于快速模糊C一均值聚类的图像分割算法为了选取更接近聚类中心的初始值，增强算法抑制噪声的能力，提高算法的运算速度，本章提出了一种基于快速模糊C ，均值聚类的图像分割算法，该算法选取图像的灰度直方图峰值作为初始聚类中心，减少了算法迭代的次数，通过图像邻域像素均值和邻域像素中值来影响中心像素的聚类，提高了抑制噪声的能力，并根据图像的统计直方图进行快速聚类，减少了每次运算的时间。实验结果表明，该算法比传统的模糊C ．均值算法、基于空间约束的模糊C ．均值算法等多种图像分割算法具有更强的抑制噪声的能力，并且分割速度快。3.1基于空间约束的模糊C 一均值聚类算法为了增强对噪声的抑制能力，提高分割效果，近年来，许多研究人员在传统FCM 算法的基础上加入局部空间信息来提高图像分割算法的性能。其中，通过修改传统FCM 聚类算法的目标函数提出了一种基于空间约束的模糊C-均值聚类算法(Fuzzy c-means clustering algorithm with spatial constrains ，FCM-S)，该算法不仅考虑了像素灰度信息，还考虑了邻域像素对中心像素的影响，大大增强了对噪声的抑制能。3.2改进的模糊C 一均值聚类算法为了快速分割灰度图像，减少算法的迭代次数，提出了一种改进的模糊C ．均值聚类算法(Enhanced fuzzy c-means clustering algorithm ，EnFCM)，该算法通过计算原图像和它的局部邻域均值图像的一个线性加权和图像靠来减少运算的复杂度，大大提高了图像的分割速度。总结图像分割是图像分析、理解和模式识别的基础，也是目前图像处理技术研究热点问题之一，在实际生活中已得到了广泛的应用。围绕这一主题，论文从模糊聚类算法入手，针对算法本身存在的缺陷以及进行图像分割时所遇到的问题，采取相关的措施来提高算法各方面的性能，从而获得了更好的图像分割效果。针对传统的模糊C 一均值算法没有考虑像素的空间信息，对噪声十分敏感的缺点，对传统的FCM 算法隶属函数进行改进。先根据邻域像素的隶属度矩阵来计算出像素和聚类中心的空间距离，然后利用空间距离和欧氏距离来重新确定像素和聚类中心的距离，最后利用新提取的距离特征和改进的FCM 聚类算法对图像进行分割。参考文献：[1]Bezdek J ．C.Pattern recognitionm fuzzy objective function algorithms ．New York ：Plenum Press ，1981[2]李艳红．基于模糊聚类分析的图像分割算法研究．武汉：武汉理工大学，2007．基于二维直方图的图像模糊聚类分割方法何健（武汉工业学院计算机与信息工程系， 湖北武汉 430023）摘要：图像是人类获取信息的重要内容。把图像分解成各具特性的区域并提取出有用目标对人们的日常生活和科学研究具有十分重要的作用。但图像在形成、传输和记录过程中会受到诸多因素的影响，要有效地从图像中提取出感兴趣的目标具有一定的难度。因此，研究和发展有效的图像分割技术就显得尤为重要。在图像分割方面，由于图像信息本身的复杂性和不确定性，在处理过程中不可能清楚知道图像中的各个物体和它们的位置，而模糊聚类分析具有描述这种问题的能力，因此将模糊聚类方法应用于图像分割，在一些场合比传统分割方法具有更好的效果。关键词：图像分割；C 一均值聚类；空间距离中图分类号：TP301.6 文献标识码：Ａ 文章编号：1003-9767（2011）01-0157-01
本文来源：https://www.2haoxitong.net/k/doc/9d3a34d3b9f3f90f76c61b45.html
