基于自適應(yīng)FCM聚類的彩色圖像區(qū)域分割算法

汪彥　何建新

摘 要： 傳統(tǒng)的基于聚類的圖像分割方法大都存在聚類數(shù)目難以確定、過度分割等缺點(diǎn)。針對(duì)這些問題，提出一種新的彩色圖像區(qū)域分割算法。首先將彩色圖像劃分為3×3的圖像子塊，然后在RGB色彩空間中抽取子塊的顏色特征和位置特征共同組成子塊的特征向量，最后運(yùn)用自適應(yīng)的FCM算法進(jìn)行聚類，進(jìn)而分割圖像成區(qū)域。實(shí)驗(yàn)結(jié)果表明，這種分割方法具有比較理想的分割效果。

關(guān)鍵詞： 自適應(yīng)； FCM算法； 圖像分割； 特征向量

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2015）08-47-02

Region-based color image segmentation algorithm with adaptive FCM clustering

Wang Yan， He Jianxin

（Department of Information Science and Engineering， Hunan City University， Yiyang， Hunan 413000， China）

Abstract： Traditional clustering-based image segmentation methods often have some disadvantages， such as difficult to determine the number of clusters， image over-segmentation etc. To resolve these problems， a new region-based color image segmentation algorithm is introduced in this paper， which divides an image to 3×3 sub-blocks firstly. Then， the color and position features of every sub-block are extracted to form feature vectors. Finally， an adaptive FCM （Fuzzy c-means Clustering Method） algorithm is used to cluster， thus the image is divided into regions. The experimental results show that this segmentation method has an ideal segmentation effect.

Key words： adaptive； FCM algorithm； image segmentation； feature vector

0 引言

圖像分割的任務(wù)是將圖像劃分成互不相交的一些連通的區(qū)域，每一個(gè)區(qū)域都滿足特定的區(qū)域一致性，不同的區(qū)域有某種差異性[1]。圖像分割是計(jì)算機(jī)視覺領(lǐng)域頗具挑戰(zhàn)性的問題，其應(yīng)用的領(lǐng)域非常廣闊。

本文提出了一種基于自適應(yīng)FCM聚類的彩色圖像分割算法。首先，在RGB空間抽取輸入圖像各像素的顏色和位置特征；然后，劃分圖像成圖像塊，抽取圖像子塊特征；再利用自適應(yīng)FCM聚類，將圖像塊分組；結(jié)合圖像塊鄰接關(guān)系，劃分圖像成區(qū)域。

1 基本的FCM算法

模糊C均值聚類（FCM）算法是基于C均值（C-means）和模糊集理論的經(jīng)典的聚類算法[2-3]。

不妨設(shè)X={xi|i=1，2，3，…，n}是s維空間中的數(shù)據(jù)集，n是X中數(shù)據(jù)的個(gè)數(shù)，c是數(shù)據(jù)聚類的類別數(shù)，且1⑴

式⑴中的b是一個(gè)可以控制聚類結(jié)果模糊程度的常數(shù)，本文取值b=2。

FCM要求各數(shù)據(jù)樣本對(duì)應(yīng)各個(gè)聚類的隸屬度函數(shù)滿足式⑵和式⑶的約束。

⑵

⑶

基本FCM算法是在式⑵和式⑶的約束條件下，使得式⑴給出聚類損失函數(shù)的最小值，具體算法步驟如下：

⑴ 給出聚類簇?cái)?shù)c、常數(shù)b和容許誤差參數(shù)ε（ε>0）；

⑵ 初始化各聚類中心，可得聚類中心矩陣M（0），并令k=0；

⑶ 根據(jù)當(dāng)前的聚類中心按式⑷計(jì)算各個(gè)數(shù)據(jù)點(diǎn)的隸屬度函數(shù)。

⑷

如果存在t，j使得，那么令，并且令；

⑷ 根據(jù)當(dāng)前的隸屬度函數(shù)按照式⑸計(jì)算新的各類中心，從而得到新的聚類中心矩陣M（k+1）。

⑸

⑸ 比較新的聚類中心矩陣M（k+1）與前一次得到的聚類中心矩陣M（k），如果式⑹成立，那么算法終止，否則令k=k+1，并轉(zhuǎn)向第⑶步。

⑹

2 自適應(yīng)的FCM算法

前述的基本FCM算法需要人為給出聚類的類別數(shù)c，這使得算法喪失了自適應(yīng)性，從而限制了算法的適用場(chǎng)合，因此，不少研究人員紛紛展開深入研究，提出了不少改進(jìn)方法。下面，簡(jiǎn)要介紹文獻(xiàn)[4]提出的參數(shù)c自適應(yīng)化確定方法。

設(shè)數(shù)據(jù)集X中所有數(shù)據(jù)樣本的中心向量記為，而聚類的類別數(shù)c的自適應(yīng)函數(shù)記為Y（c），則與Y（c）可分別由式⑺和式⑻計(jì)算。

⑺

⑻

那么，可自動(dòng)確定聚類數(shù)c的自適應(yīng)FCM聚類算法，步驟描述如下：

⑴ 給出常數(shù)b和容許誤差參數(shù)ε（ε>0），令聚類數(shù)c=2，Y（1）=0；

⑵ 同基本FCM算法的第⑵步；

⑶ 同基本FCM算法的第⑶步；

⑷ 同基本FCM算法的第⑷步；

⑸ 同基本FCM算法的第⑸步；

⑹ 根據(jù)式⑺和式⑻計(jì)算當(dāng)前類別數(shù)c的自適應(yīng)函數(shù)值L（c）；

⑺ 在2Y（c-2）且Y（c-1）>Y（c），則算法結(jié)束，否則，令c=c+1，轉(zhuǎn)向第⑵步。

自適應(yīng)的FCM算法結(jié)束時(shí)，可得到恰當(dāng)?shù)木垲惲袆e數(shù)c、c個(gè)類心向量以及數(shù)據(jù)集X中n個(gè)數(shù)據(jù)樣本分別對(duì)應(yīng)c個(gè)類別的隸屬度函數(shù)值。

3 基于自適應(yīng)FCM聚類的彩色圖像分割算法

本文提出的基于自適應(yīng)FCM聚類的彩色圖像分割算法具體步驟如下：

⑴ 輸入原始圖像；

⑵ 在RGB色彩空間中，分別求取輸入圖像的各像素點(diǎn)的紅色、綠色和藍(lán)色三種顏色分量特征，并進(jìn)行歸一化處理；

⑶ 計(jì)算圖像所有像素點(diǎn)的行坐標(biāo)與列坐標(biāo)作為位置特征，并進(jìn)行歸一化處理；

⑷ 將三種顏色特征與兩個(gè)位置特征結(jié)合起來，將圖像的所有像素點(diǎn)表征為5維的特征向量；

⑸ 將圖像劃分成3×3大小的圖像塊，以各圖像塊內(nèi)所有像素點(diǎn)的特征向量的均值作為各圖像塊的特征向量；

⑹ 對(duì)于原始彩色圖像分塊所得的所有像素塊的特征向量構(gòu)成的數(shù)據(jù)集，采用如前所述的自適應(yīng)FCM算法進(jìn)行聚類；

⑺ 對(duì)自適應(yīng)FCM聚類的結(jié)果進(jìn)行去模糊化操作，結(jié)合各像素在圖像上的空間位置關(guān)系，將圖像劃分成區(qū)域。

下面簡(jiǎn)要介紹上述圖像分割算法中的像素點(diǎn)特征的提取與歸一化處理操作。設(shè)原始圖像的分辨率為Xdim×Ydim，Pi是原始圖像中的第i個(gè)像素點(diǎn)，該點(diǎn)的顏色值為（Ri，Gi，Bi），該點(diǎn)位置坐標(biāo)為（Rowi，Coli），那么該像素點(diǎn)的顏色特征、位置特征分別按式⑼和式⑽進(jìn)行歸一化處理。

Ri=Ri/255

Gi=Gi/255 ⑼

Bi=Bi/255

⑽

經(jīng)過上述歸一化處理，像素點(diǎn)的顏色特征均取值在[0，1]區(qū)間，位置特征則取值（0，1]區(qū)間，這樣使得各分量對(duì)于聚類算法中距離計(jì)算所產(chǎn)生的影響效果較為一致。

文獻(xiàn)[5]提出位置特征在歸一化后還應(yīng)乘以權(quán)值，以適當(dāng)降低位置特征對(duì)圖像分割結(jié)果的影響。考慮到權(quán)值的像素點(diǎn)位置特征，可按式⑾計(jì)算。

⑾

其中，參數(shù)w代表位置特征的權(quán)重，文獻(xiàn)[5]指出該參數(shù)的常用取值區(qū)間為（0，1]。我們經(jīng)驗(yàn)反復(fù)實(shí)驗(yàn)發(fā)現(xiàn)，該參數(shù)取值為0.65時(shí)，對(duì)于我們研究的圖像能夠取得相對(duì)較好的分割效果。

考慮到FCM算法在對(duì)大規(guī)模數(shù)據(jù)進(jìn)行聚類時(shí)效率不太高的特點(diǎn)，我們?cè)谠O(shè)計(jì)基于FCM聚類的彩色圖像分割算法時(shí)，注意了如下三點(diǎn)：

⑴ 對(duì)于像素點(diǎn)特征，采用盡可能簡(jiǎn)單的特征抽取方法，以降低耗費(fèi)的時(shí)間；

⑵ 對(duì)于像素點(diǎn)，采用盡可能少而精當(dāng)?shù)膱D像特征，既使得特征抽取快捷，也降低了FCM聚類過程中涉及數(shù)據(jù)的特征維數(shù)，從而提高效率；

⑶ 采用圖像分塊的操作，直接減低FCM聚類涉及的數(shù)據(jù)樣本數(shù)量，從而減少聚類過程所耗費(fèi)的時(shí)間。

4 圖像分割實(shí)驗(yàn)結(jié)果

我們進(jìn)行了大量的圖像區(qū)域分割實(shí)驗(yàn)，用以驗(yàn)證本文基于自適應(yīng)FCM聚類的彩色圖像分割算法的有效性。圖像分割實(shí)驗(yàn)的對(duì)象是Corel圖像庫，該庫包含多達(dá)1000幅彩圖。圖像分割程序用Matlab語言實(shí)現(xiàn)，部分實(shí)驗(yàn)結(jié)果如圖1所示。