面向圖像分割的模糊c-均值聚類初始聚類中心自動選取方法
【專利摘要】本發(fā)明公開了一種面向圖像分割的模糊C?均值聚類初始聚類中心自動選取方法，首先初始化一個大小為256的數(shù)組count，count[i]為灰度值i在給定灰度圖像中的出現(xiàn)次數(shù)；然后計算各灰度值i的局部密度Pi；接著對具有局部密度的灰度值i設(shè)置對應(yīng)的minDist[i]；計算一個合適閾值τ將相關(guān)的minDist[i]分成一大一下兩組；最后返回minDist[i]大于τ的所有灰度值i作為在給定灰度圖上運行模糊C?均值聚類算法的初始聚類中心。本發(fā)明可有效改善隨機選擇初始聚類中心帶來的模糊C?均值聚類所需迭代次數(shù)過多、聚類結(jié)果易于陷入局部最優(yōu)解的問題，從而提升圖像分割的運行效率和分割質(zhì)量。
【專利說明】
面向圖像分割的模糊C-均值聚類初始聚類中心自動選取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于模糊聚類的圖像分割方法，特別涉 及一種面向圖像分割的模糊c-均值聚類初始聚類中心自動選取方法。
【背景技術(shù)】
[0002] 圖像分割就是把圖像分成各具特性的區(qū)域以便提取出感興趣目標(biāo)，是由圖像處理 到圖像分析的一個關(guān)鍵步驟，是圖像工程的基礎(chǔ)。圖像分割在諸如計算機視覺、軍事衛(wèi)星圖 像的處理、生物醫(yī)學(xué)上的圖像分析等方面有著廣泛應(yīng)用。模糊聚類方法由于其軟性劃分，可 以很好地反應(yīng)圖像的模糊性和不確定性，所以被廣泛的應(yīng)用于圖像分割中。
[0003] 在面向圖像分割的模糊聚類技術(shù)中，模糊c-均值算法(本發(fā)明中所指的模糊c-均 值算法亦包含其各種改進算法)使用最為普遍。它們通過優(yōu)化目標(biāo)函數(shù)得到每個樣本點（如 各像素點的灰度值)對于所有聚類中心的隸屬度，從而決定樣本點的類屬以達(dá)到自動對樣 本數(shù)據(jù)進行分類的目的。但是，該算法在具體實施過程中，往往需要用戶人工指定聚類個 數(shù)，并采用隨機選取的初始聚類中心，通過迭代運算逐步靠近真實的聚類中心。這種做法雖 然簡單易實現(xiàn)，但隨機選擇初始聚類中心往往需要較多的迭代次數(shù)才能使得模糊C-均值算 法達(dá)到收斂，且收斂的結(jié)果也較容易陷入局部最優(yōu)解。為了提升圖像分割的效率和效果，為 模糊C-均值算法選擇一組好的初始聚類中心十分重要。

【發(fā)明內(nèi)容】

[0004] 為了解決上述技術(shù)問題，本發(fā)明提出了一種面向圖像分割的模糊c-均值聚類初始 聚類中心自動選取方法，可自動確定聚類個數(shù)，避免圖像分割時初始聚類中心的隨機選擇， 有效減少模糊C-均值聚類算法在圖像分割運算過程中的迭代次數(shù)，提升圖像分割的質(zhì)量。
[0005] 本發(fā)明所采用的技術(shù)方案是：一種面向圖像分割的模糊C均值聚類初始聚類中心 自動選取方法，其特征在于，包括以下步驟：
[0006] 步驟1:初始化一個大小為256的數(shù)組count，count[i]為灰度值i在給定灰度圖像 中的出現(xiàn)次數(shù)，其中，i為整數(shù)且〇<i < 255;
[0007] 步驟2:計算各灰度值i的局部密度Pi; _8]恥[==))-]
[0009]其中，b為計算局部密度時的灰度值帶寬；
[0010]步驟3:初始化一個大小為256的數(shù)組minDist，將任一個局部密度小于給定圖片全 部像素點數(shù)目預(yù)設(shè)比例的灰度值i對應(yīng)的minDist[i]設(shè)置為0,將局部密度最大的灰度值m 所對應(yīng)的minDist[m]設(shè)置為256,將其余灰度值j所對應(yīng)的minDist[j]設(shè)置為局部密度大于 Pj且與j最接近的灰度值k和j之間的差值的絕對值，即|k-j | ;
[0011]步驟4:令除去局部密度最大的灰度值m后所有灰度值i所對應(yīng)的minDist[i]組成 集合D，找到一個閾值t將集合D的元素劃分成兩組，使得
-最大化，其中W和M分別為 較大一組元素和較小一組元素的均值，〇l= Ek>T,keD(k-lii)2,〇2= Eks￡i,keD(k-li2)2;
[0012]步驟5:返回minDist[i]大于T的所有灰度值i作為在給定灰度圖上運行模糊c-均 值聚類算法的初始聚類中心。
[0013] 作為優(yōu)選，步驟2中，l<b<10,且為正整數(shù)。
[0014] 作為優(yōu)選，步驟3中所述預(yù)設(shè)比例的取值范圍為[1%，10%]。
[0015] 作為優(yōu)選，步驟5中所述minDist[i]大于T的所有灰度值i包括局部密度最大的灰 度值m〇
[0016] 本發(fā)明在進行圖像分割的時候，能夠為模糊C-均值算法自動確定聚類中心數(shù)目并 自動選擇初始聚類中心，可有效改善隨機選擇初始聚類中心帶來的模糊C-均值聚類所需迭 代次數(shù)過多、聚類結(jié)果易于陷入局部最優(yōu)解的問題，從而提升圖像分割的運行效率和分割 質(zhì)量。
【附圖說明】
[0017] 圖1:本發(fā)明實施例的流程圖；
[0018] 圖2:本發(fā)明實施例的進行圖像分割的灰度圖；
[0019 ]圖3:本發(fā)明實施例的給定灰度圖中各灰度值i的出現(xiàn)次數(shù)count [ i ]示意圖；
[0020] 圖4:本發(fā)明實施例的給定灰度圖中各灰度值i的局部密度Pi示意圖；
[0021] 圖5:本發(fā)明實施例的給定灰度圖中各灰度值i的minDist[i]示意圖；
[0022] 圖6:本發(fā)明實施例的采用的閾值t對minDist [ i ]劃分的結(jié)果示意圖。
【具體實施方式】
[0023] 為了便于本領(lǐng)域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及實施例對本發(fā) 明作進一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不 用于限定本發(fā)明。
[0024] 在對灰度圖像分割過程中，依據(jù)的主要圖像特性是像素點的灰度值，而灰度值的 取值范圍為[0，255 ]，故對灰度圖像的分割就轉(zhuǎn)變?yōu)閷σ粋€取值范圍為[0，255 ]的數(shù)據(jù)集進 行聚類分割。在聚類分割的過程中，由于各真正的聚類中心（如取值在[0,255]的某個灰度 值i)往往局部密度（即灰度值等于或約等于i的像素點個數(shù))較高，且一般遠(yuǎn)離其他聚類中 心，所以本發(fā)明所提出的面向圖像分割的模糊C-均值聚類初始聚類中心自動選取方法的基 本思路是考察給定灰度圖在各個灰度值上的局部密度，及其與其他局部密度峰值之間的距 離，選取那些局部密度高且遠(yuǎn)離其他密度峰值的灰度值作為圖像分割的初始聚類中心。
[0025] 本發(fā)明提供的一種面向圖像分割的模糊C-均值聚類初始聚類中心自動選取方法， 對于給定的要進行圖像分割的灰度圖（如圖2所示），找到分割所需要的初始聚類中心。
[0026] 請見圖1，本發(fā)明包括以下步驟：
[0027] 步驟1，初始化一個大小為256的數(shù)組count，其中count[i](i取值為0到255的正整 數(shù))設(shè)置為灰度值i在給定灰度圖像中的出現(xiàn)次數(shù)。統(tǒng)計結(jié)果如圖3所示。
[0028]步驟2,計算各灰度值i的局部密度Pi:
[0029]
[0030]其中，b為計算局部密度時的灰度值帶寬，這里b = 3。計算結(jié)果如圖4所示。
[0031]步驟3,初始化一個大小為256的數(shù)組minDist，將任一個局部密度小于給定圖片全 部像素點數(shù)目5%的灰度值i對應(yīng)的minDist[i]設(shè)置為0,將局部密度最大的灰度值111所對應(yīng) 的minDist[m]設(shè)置為256,將其余灰度值j所對應(yīng)的minDist[j]設(shè)置為局部密度大于Pj且與 j最接近的灰度值k和j之間的差值的絕對值，即|k-j |。設(shè)置完成后結(jié)果如圖5所示。
[0032]步驟4,令除去局部密度最大的灰度值m后所有灰度值i(i辛m)所對應(yīng)的minDist
[i ]組成集合D，找到一個閾值t將集合D的元素劃分成兩組，使得
最大化，其中的和 叱分別為較大一組元素和較小一組元素的均值，〇l= Ek>T,keD(k-lii)2,〇2= Eks；T,keD(k-li2)2。 劃分結(jié)果如圖6所示。
[0033]步驟5,返回minDist[i]大于T的所有灰度值i作為在給定灰度圖上運行模糊c-均 值聚類算法的初始聚類中心。
[0034] 本發(fā)明可有效改善隨機選擇初始聚類中心帶來的模糊C-均值聚類所需迭代次數(shù) 過多、聚類結(jié)果易于陷入局部最優(yōu)解的問題，從而提升圖像分割的運行效率和分割質(zhì)量。
[0035] 應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。
[0036] 應(yīng)當(dāng)理解的是，上述針對較佳實施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對本 發(fā)明專利保護范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán) 利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā) 明的請求保護范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【主權(quán)項】
1. 一種面向圖像分割的模糊C-均值聚類初始聚類中心自動選取方法，其特征在于，包 括以下步驟： 步驟1:初始化一個大小為256的數(shù)組count，count [i]為灰度值i在給定灰度圖像中的 出現(xiàn)次數(shù)，其中，i為整數(shù)且〇<i<255; 步驟2:計算各灰度值i的局部密度Pi;其中，b為計算局部密度時的灰度值帶寬； 步驟3:初始化一個大小為256的數(shù)組minDist，將任一個局部密度小于給定圖片全部像 素點數(shù)目預(yù)設(shè)比例的灰度值i對應(yīng)的minDist[i]設(shè)置為0,將局部密度最大的灰度值m所對 應(yīng)的minDist[m]設(shè)置為256,將其余灰度值j所對應(yīng)的minDist[j]設(shè)置為局部密度大于P j且 與j最接近的灰度值k和j之間的差值的絕對值，即I k-j I ; 步驟4:令除去局部密度最大的灰度值m后所有灰度值i所對應(yīng)的minDist[i]組成集合 D，找到一個閾值τ將集合D的元素劃分成兩組，其中μι和μ2分別為較大 一組元素和較小一組元素的均值，σι= Ek>T,keD(k，)2，〇2= EksST,keD(k，)2; 步驟5:返回minDist[i]大于τ的所有灰度值i作為在給定灰度圖上運行模糊C-均值聚 類算法的初始聚類中心。2. 根據(jù)權(quán)利要求1所述的面向圖像分割的模糊C-均值聚類初始聚類中心自動選取方 法，其特征在于:步驟2中，I 10，且為正整數(shù)。3. 根據(jù)權(quán)利要求1所述的面向圖像分割的模糊C-均值聚類初始聚類中心自動選取方 法，其特征在于:步驟3中所述預(yù)設(shè)比例的取值范圍為[1 %，10 % ]。4. 根據(jù)權(quán)利要求1-3任意一項所述的面向圖像分割的模糊C-均值聚類初始聚類中心自 動選取方法，其特征在于:步驟5中所述minDist[i]大于τ的所有灰度值i包括局部密度最大 的灰度值m。
【文檔編號】G06K9/62GK105931236SQ201610244647
【公開日】2016年9月7日
【申請日】2016年4月19日
【發(fā)明人】黃浩, 顏錢, 李宗鵬
【申請人】武漢大學(xué)