基于模糊C均值聚類和空間信息的多尺度紋理圖像分割方法技術

本發明專利技術公開了一種基于模糊Ｃ均值ＦＣＭ聚類和空間信息的多尺度紋理圖像分割方法，主要解決圖像分割質量差的問題。其實現過程為：輸入待分割紋理圖像并對其進行二維離散小波變換，計算每個小波系數對應的特征向量；對小波變換的最粗尺度分割；計算最粗尺度各系數對應的空間坐標因子，將其加入到傳統ＦＣＭ聚類算法的目標函數中，得到該尺度的分割結果類標圖和標記場；采用自適應尺度確定的多尺度分割方法得到下一尺度的分割結果類標圖，直至得到的分割結果類標圖是最細尺度處的；將最細尺度的分割結果作為最終分割結果輸出。本發明專利技術具有分割邊緣準確和分割區域一致性好的優點，可用于對紋理圖像，以及包含紋理信息的ＳＡＲ圖像、遙感圖像和醫學圖像的分割。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，特別涉及一種紋理圖像分割方法，可應用于紋理圖像以及包含紋理信息的圖像，如合成孔徑雷達SAR、遙感圖像和醫學圖像的分割。
技術介紹
在圖像處理和計算機視覺研究中，紋理圖像分割是最經典的方法。其在圖像分類、 圖像檢索、圖像理解、目標識別等很多問題中起著關鍵作用。模糊C均值FCM算法在 聚類分割方法中是最受歡迎的方法之一。通過引入FCM聚類，出現了很多改進算法。傳統的FCM聚類方法通過對圖像像素和C類中心的目標函數的相似性進行優化以 獲得局部最大值而得到了最優聚類，這是由于圖像并沒有考慮到像素的鄰域。該方法對 空間信息的噪聲和該區域的急劇變化非常敏感。因此，人們提出了很多方法，這些方法 都是關于給傳統的FCM算法增加局部空間信息。2005年，Liew等人提出了一個空間模 糊C均值聚類SFCM算法，該算法的關鍵是一個新的多樣性指數，該多樣性指數考慮了 在N8鄰域內中心像素附近的臨近像素的影響，參見A.W.C. Liew, H. Yan, and N.F. Law. Image segmentation based on adaptive cluster prototype estimation. IEEE Transactions on Fuzzy Systems, 2005,13(4): 444-453。空間信息的結合使得該算法比傳統的FCM不易于對 噪聲敏感，并且達到終止的速度更快。此外，為了更好的利用數據聚集的特性，Wen等 人提出了空間置信聚類算法SCCA把可信度聚類算法和SFCM算法結合起來，參見P. Wen, L. Zheng, J. Zhou. Spatial Credibilistic clustering algorithm in noise image segmentation. Industrial Engineering and Engineering Management ,2007 IEEE international conference, 2007:543-547。由于考慮到部分像素的鄰域信息和特征的數據聚合，該方法的性能比 SFCM算法更好。傳統的FCM算法為最小化關于隸屬度和聚類原型的目標函數。在FCM聚類之后， 每一個像素都和一個類的隸屬度聯系起來，通過給具有最高隸屬度的類分配像素，就得 到了圖像的分割。在基于傳統的FCM分割算法中，假定特征向量是彼此獨立的，并且它 們的空間坐標也是獨立的。事實上，它們的空間坐標之間有一個很有趣的關系，即坐標 臨近于聚類原型坐標的像素點很有可能是一個單一聚類。因而，基于傳統FCM算法的圖像分割方法得到的分割邊緣不夠準確，區域一致性也不夠好。因此，需要找到一種能夠充分利用這些空間坐標關系的圖像分割方法，以獲得更高的圖像分割質量。
技術實現思路
本專利技術的目的在于克服上述已有技術分割邊緣不準確和區域一致性不夠好的不足，提出了一種，以提高圖像分割的質量。本專利技術的技術方案是將輸入圖像中各像素點的空間坐標加入到傳統的模糊c均值聚類算法的目標函數中，基于小波變換的多尺度特性，采用自適應尺度確定的多尺度圖像分割方法實現對紋理圖像的分割。其實現過程如下(1) 輸入一幅大小為WXW的紋理圖像；(2) 對輸入圖像進行7V層二維離散小波變換，3^7V^log2(>),得到小波系數W， 并計算每個變換尺度處的小波系數對應的特征向量；(3) 采用傳統的模糊C均值聚類算法對最粗尺度/:7V進行分割，得到最粗尺度的初 始分割結果；(4) 利用得到的初始分割結果，計算在最粗尺度/ = W處模糊C均值聚類中的空間坐 標因子，并將該空間坐標因子加入到傳統的模糊C均值聚類算法的目標函數中，實現對 最粗尺度聚類，得到最粗尺度對應的分割結果類標(5) 根據分割結果類標圖，確定分解尺度J上衡量其類標可靠性的標記場 G 」={0,1}， /表示圖像對應的物理坐標；(6) 根據標記場，采用自適應尺度確定的多尺度分割方法，得到下一尺度J二J-1的 分割結果類標(7) 判斷所得分割結果類標圖是否為最細尺度《/ = 0處的分割結果，如果是尺度 / = 0處的結果，則紋理分割結束；否則，重復步驟(6)~步驟(7)直到得到尺度《/ = 0處的 分割結果，并將該分割結果作為輸入圖像的最終分割結果輸出。本專利技術與現有的技術相比具有以下優點1、 由于本專利技術將空間信息加入到傳統的模糊C均值聚類中，使得模糊C均值聚類算 法迭代次數減少，收斂加快；2、 由于本專利技術充分考慮了尺度內像素點的空間坐標關系，使得分割結果的邊緣更加 準確； '3、 由于本專利技術充分利用了多尺度的由粗到細的傳遞特性，使得分割結果的區域一致性更好。仿真實驗表明，本專利技術提高了紋理圖像分割結果的邊緣準確性，增強了分割結果的區 域一致性，并提高了分割算法的效率。 附圖說明圖1是本專利技術的流程示意圖2是本專利技術仿真采用的一幅具有三類紋理的合成紋理圖像； 圖3是圖2的真實分割結果圖4是采用傳統模糊C均值聚類的單尺度分割方法對圖2分割得到的分割結果圖； 圖5是采用傳統模糊C均值聚類的多尺度分割方法對圖2分割得到的分割結果圖； 圖6是采用本專利技術對圖2分割得到的分割結果圖。 具體實施例方式參照圖l，本專利技術的具體實施過程如下 步驟l，輸入待分割紋理圖像，其大小為WXW，這些待分割紋理圖像可以是合成紋理圖像，也可以是具有紋理信息的SAR圖像、航拍圖像和醫學圖像。步驟2,采用基函數DB7對輸入圖像進行小波變換，分解層數為四，得到輸入圖像的小波系數w。步驟3，計算每個變換尺度處的小波系數對應的特征向量。3a)根據隱馬爾科夫樹HMT模型，得到每個變換尺度處小波系數的父、子尺度間 的對應關系，這種對應關系以四叉樹結構表示；3b)采用高斯混合模型對小波系數逼近，得到小波系數W的概率密度函數/(W):<formula>formula see original document page 7</formula>式中，；^(w)表示四叉樹中根節點的狀態概率，m表示狀態變量s的不同取值，附=0表示S為"小"狀態，附=1表示5為"大"狀態；3c)將每個系數W的概率密度函數/O)的對數l0gw(/O))作為特征向量，艮P:<formula>formula see original document page 7</formula>式中，《/ = {1,2,3,4}，表示小波變換對應的分解尺度，/tt表示小波變換水平方向 的高頻子帶，Z/Z表示小波變換垂直方向的高頻子帶，i/H表示小波變換對角線方向的高頻子帶，(/eamre,.,表示尺度J處第/個小波系數對應的特征向量。步驟4，采用傳統的模糊C均值聚類算法對輸入圖像的最粗尺度J-4進行分割， 得到輸入圖像在最粗尺度的初始分割結果。基于傳統的模糊C均值算法的圖像分割，即通過模糊C均值聚類實現對圖像的分割， 具體計算過程是4a)建立關于隸屬度f/和聚類原型K的目標函數Jf^^，即<formula>formula see original document page 8</formula>式中A:=l !.=1v,.是類/的本文檔來自技高網...

【技術保護點】
一種基于模糊Ｃ均值聚類和空間信息的多尺度紋理圖像分割方法，包括如下過程：　（１）輸入一幅大小為ｎ×ｎ的紋理圖像；　（２）對輸入圖像進行Ｎ層二維離散小波變換，３≤Ｎ≤ｌｏｇ↓［２］（ｎ），得到小波系數ｗ，并計算每個變換尺度處的小波 系數對應的特征向量；　（３）采用傳統的模糊Ｃ均值聚類算法對最粗尺度Ｊ＝Ｎ進行分割，得到最粗尺度的初始分割結果；　（４）利用得到的初始分割結果，計算在最粗尺度Ｊ＝Ｎ處模糊Ｃ均值聚類中的空間坐標因子，并將該空間坐標因子加入到傳統的模 糊Ｃ均值聚類算法的目標函數中，實現對最粗尺度聚類，得到最粗尺度對應的分割結果類標圖；　（５）根據分割結果類標圖，確定分解尺度Ｊ上衡量其類標可靠性的標記場｛ａ↓［ｉ］｝，ａ↓［ｉ］∈Ａ，Ａ＝｛０，１｝，ｉ表示圖像對應的物理坐標；　 （６）根據標記場，采用自適應尺度確定的多尺度分割方法，得到下一尺度Ｊ＝Ｊ－１的分割結果類標圖；　（７）判斷所得分割結果類標圖是否為最細尺度Ｊ＝０處的分割結果，如果是尺度Ｊ＝０處的結果，則紋理分割結束；否則，重復步驟（６）～步驟（７）直 到得到尺度Ｊ＝０處的分割結果，并將該分割結果作為輸入圖像的最終分割結果輸出。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：侯彪，翟艷霞，焦李成，劉鳳，張向榮，馬文萍，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：87[中國|西安]