模糊C均值聚類算法在圖像分割中的應(yīng)用

李穎

摘要：圖像分割技術(shù)已經(jīng)廣泛應(yīng)用在眾多領(lǐng)域當(dāng)中，針對(duì)圖像分割時(shí)較難區(qū)分圖像中的每一個(gè)物體，本文就模糊C均值聚類的圖像分割方法進(jìn)行了分析，并結(jié)合目前常用的兩種圖像分割方法，從分割效果以及熵和區(qū)域一致性進(jìn)行了對(duì)比。經(jīng)過(guò)實(shí)驗(yàn)證明，基于FCM的圖像分割方法比較適用于多層分割圖像分割。

關(guān)鍵詞：圖像分割 聚類 FCM

中圖分類號(hào)：TP394.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）12-0143-01

近年來(lái)，隨著模式識(shí)別和人工智能領(lǐng)域的高速發(fā)展，涌現(xiàn)出了許多圖像分割方法，但圖像分割的效果一直受到圖像自身成像因素和質(zhì)量的影響。因此，圖像分割成為相關(guān)領(lǐng)域的關(guān)鍵。

目前，圖像分割技術(shù)并沒(méi)有統(tǒng)一的理論和方法，由于FCM圖像分割方法不需要對(duì)樣本進(jìn)行訓(xùn)練，且能夠較好的結(jié)合智能算法提升圖像分割性能，在圖像分割領(lǐng)域有著較為廣泛的應(yīng)用。

1 基于模糊C均值的圖像分割

圖像分割是將圖像中像素按照一定屬性進(jìn)行聚類的過(guò)程，最終分割結(jié)果將圖像中的目標(biāo)區(qū)域和背景區(qū)域互不重疊的區(qū)分開(kāi)來(lái)，各區(qū)域內(nèi)像素屬性保持一致，相鄰區(qū)域像素有明顯不同。在對(duì)圖像進(jìn)行聚類分割過(guò)程中，對(duì)分割效果產(chǎn)生影響的因素較多，如圖像的灰度相似性、邊緣清晰度、不同類別之間紋理差異的大小等，在實(shí)際分割過(guò)程中，很難綜合考慮所有的因素達(dá)到較好的分割效果，因此有人提出了模糊聚類的分割方法，將主要因素用模糊集來(lái)表示，并設(shè)定一定的隸屬度函數(shù)用以表征各因素對(duì)分割效果的影響，分割效果較為理想。

模糊C均值聚類（FCM）充分利用了模糊聚類的思想，對(duì)于圖像中某一像素點(diǎn)并沒(méi)有將其直接劃分給某一類，而是利用模糊的概念重新度量分類器的獨(dú)立性，最終由模糊度量大小來(lái)劃分像素的歸屬。

用表示待分割圖像像素特征值，根據(jù)圖像的類型不同選擇相應(yīng)的特征值進(jìn)行計(jì)算，例如：灰度值，差分特征等。假設(shè)圖像的聚類分塊數(shù)量為c，并把各個(gè)聚類中心分別表示為，代表像素特征對(duì)于第k個(gè)區(qū)域的隸屬程度。而FCM的思想就是利用迭代計(jì)算，不斷地對(duì)隸屬測(cè)度函數(shù)和聚類中心進(jìn)行優(yōu)化，使得分組類內(nèi)的測(cè)度函數(shù)值最小，從而對(duì)不同像素進(jìn)行分類。隸屬度測(cè)度優(yōu)化目標(biāo)函數(shù)表達(dá)式如下：

式中，表示隸屬度測(cè)度的大小，一般利用像素到聚類中心的歐式距離來(lái)計(jì)算，的數(shù)值代表著像素屬于相關(guān)類別的可能性大小，其值越小就越代表其可能屬于一個(gè)類別。而參數(shù)m表示分類結(jié)果的模糊度，m值越大表示模糊性越強(qiáng)。

2 實(shí)驗(yàn)與分析

為了驗(yàn)證FCM圖像分割方法，將其和Otsu方法、人工設(shè)定PCNN參數(shù)分割方法進(jìn)行比對(duì)。本文對(duì)liftingbody圖像進(jìn)行分割，實(shí)驗(yàn)中PCNN模型選用標(biāo)準(zhǔn)PCNN模型。

三種算法的分割結(jié)果如圖1所示。從liftingbody圖像的分割結(jié)果來(lái)看，Otsu法分割結(jié)果最差，F(xiàn)CM方法優(yōu)于人工設(shè)定PCNN參數(shù)方法。

本文依據(jù)分割圖像的熵和區(qū)域一致性，較為客觀地評(píng)價(jià)算法性能。熵能夠表明分割結(jié)果所含信息容量的大小，熵越大說(shuō)明圖像分割包含的信息容量越大，分割效果越理想。區(qū)域一致性能夠確定分割區(qū)域內(nèi)像素的相似程度，區(qū)域一致性越高說(shuō)明圖像像素的聚類程度越高，分割效果越理想。

從liftingbody的多層分割結(jié)果來(lái)看，模糊C均值聚類方法無(wú)論從評(píng)價(jià)指標(biāo)還是從視覺(jué)效果都優(yōu)于Otsu法和人工設(shè)定PCNN參數(shù)方法，由此可見(jiàn)模糊C均值聚類方法更適合用于圖像多層分割方面。

3 結(jié)語(yǔ)

作為模糊聚類中的代表算法，模糊C均值聚類方法在圖像分割領(lǐng)域有著很重要的地位和廣泛的應(yīng)用，并且已經(jīng)取得了較為理想的圖像多層分割效果，但由于受到最優(yōu)化理論局部極值條件的限制，目標(biāo)函數(shù)的選取和求解方式還有待進(jìn)一步研究。

參考文獻(xiàn)

[1]劉華軍，任明武，楊靜宇.一種改進(jìn)的基于模糊聚類的圖像分割方法[J].中國(guó)圖象圖形學(xué)報(bào)，2006，11（9）：1312-1316.

[2]聶生東，張英力，陳兆學(xué).改進(jìn)的遺傳模糊聚類算法及其在MR腦組織分割中的應(yīng)用[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2008，27（6）：860-866.

[3]朱斌，管莉，張勝超，等.基于優(yōu)化遺傳算法的模糊聚類圖像分割算法[J].彈箭與制導(dǎo)學(xué)報(bào)，2008，28（4）：190-192.

[4]Hou Z，Qian W，Huang S，et al. Regularized fuzzy c-meansmethod for brain tissue clustering[J]. Pattern RecognitionLetters，2007，28（13） ：1789-1794.

[5]KandeGB，Savithri TS，SubbaiahPV.Segmentationof vesselsinfundusimageusingspatiallyweightedfuzzyc-meansclusteringalgorithm[J].International Journal of Computer Science andNetworkSecurity，2007，7（12） ：102-109.

[6]XieZP，WangST，ZhangDY，et al.Imagesegmentationusingthe enhanced possibilistic clustering method[J].InformationTechnologyJournal，2007，6（4） ：541-546.