基于模糊集與空間信息的圖像分割算法研究.pdf

1、圖像分割是從給定圖像中獲取到感興趣的目標或區(qū)域的過程，是圖像處理和圖像分析的重要步驟，同時也是一個比較有挑戰(zhàn)的難題。目前圖像分割技術(shù)已被廣泛應(yīng)用于計算機視覺，圖像分析，醫(yī)學(xué)圖像處理，遙感技術(shù)和地理信息系統(tǒng)等各領(lǐng)域。圖像的分割方法一般可以分為閾值檢測法、邊緣檢測法，區(qū)域分割法和特征向量聚類方法。本文主要研究模糊C均值聚類（FCM）算法，它是特征向量聚類方法中研究應(yīng)用比較廣泛的。FCM算法已被證明對圖像分割是有效的，它的成功主要是由于對圖像

2、的每個像素引入了模糊隸屬度。相比硬分割方法，F(xiàn)CM能夠保留原始圖像的更多信息。但是模糊 C均值聚類算法在進行圖像分割時依然存在許多問題，例如難以確定聚類數(shù)目、對噪聲和異常值敏感、沒有充分利用圖像的空間信息等等。所以，模糊 C均值聚類算法在處理噪聲圖像時的分割效果不盡理想。
　　通過對圖像分割的背景研究后，分析研究了各種圖像分割方法的現(xiàn)狀和存在的問題，在本文中我們選取了模糊 C均值作為文中提出的幾種算法的理論基礎(chǔ)，針對圖像分割的特點

3、和模糊C均值聚類算法在圖像分割中存在的問題，對模糊C均值聚類算法進行了改進和擴展，本文的研究工作如下：
　?。?）由于FCM算法只考慮了圖像的像素信息，沒有考慮圖像的空間信息，導(dǎo)致它對噪聲極度敏感，使得FCM算法對噪聲圖像不能進行很好地分割。為了解決這個問題提出了一種改進的FCM算法，該算法是通過將圖像的空間鄰域信息轉(zhuǎn)換為一個新的相似性度量值來實現(xiàn)的。
　?。?）標準的FCM算法必須通過先驗知識來估計以確定聚類數(shù)目。因此，當(dāng)

4、聚類的數(shù)目沒有事先給出時，采用了自動模糊C均值聚類算法（AFCM），將圖像的像素分成不均勻的區(qū)域。為了得到更有效的分割質(zhì)量，以自動模糊 C均值聚類算法為基礎(chǔ)提出了一種改進的算法，該算法采用了將圖像的空間信息結(jié)合到隸屬度函數(shù)的方法。
　?。?）針對前人提出的一種用于處理噪聲圖像的模糊聚類圖像分割算法（RFCM）進行了改進。由于該算法依舊采用了歐氏距離的計算方法，因此它仍然缺乏對噪聲和異常值的抑制能力。因此提出了利用一種基于核函數(shù)測量

5、距離的模糊聚類圖像分割算法，它進一步擴展了RFCM算法，通過內(nèi)核的方法將RFCM擴展到相應(yīng)的KRFCM算法。該算法通過對原始數(shù)據(jù)空間的魯棒性的非歐式距離的測量方法來得到新的目標函數(shù)。
　?。?）針對陰影 C-均值（SCM）算法存在的缺陷—沒有充分利用圖像像素的空間信息，基于傳統(tǒng)的SCM算法，結(jié)合圖像像素的局部空間信息，提出了一種改進算法—局部空間SCM算法。因為改進的算法考慮了像素的鄰域影響，局部空間SCM（LSSCM）算法對噪聲