CN111047593B - 一种基于距离自适应聚类的图像分割方法 - Google Patents
一种基于距离自适应聚类的图像分割方法 Download PDFInfo
- Publication number
- CN111047593B CN111047593B CN201911030548.XA CN201911030548A CN111047593B CN 111047593 B CN111047593 B CN 111047593B CN 201911030548 A CN201911030548 A CN 201911030548A CN 111047593 B CN111047593 B CN 111047593B
- Authority
- CN
- China
- Prior art keywords
- clustering
- data
- distance
- image
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003709 image segmentation Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于距离自适应聚类的图像分割方法,涉及图像处理、机器学习技术领域。本发明步骤如下:步骤1:获取图像Q并得到该图像的灰度值,形成待聚类数据集合I;步骤2:根据距离自适应的聚类方法,对图像Q进行分割处理,得到图像Q′。该方法能够得到的精确聚类结果,使得对图像的分割更加精确。
Description
技术领域
本发明涉及图像处理、机器学习技术领域,尤其涉及一种基于距离自适应聚类的图像分割方法。
背景技术
作为无监督学习方法,聚类分析在机器学习和人工智能领域起重要作用。它的目的是将数据(一般为提取到的特征)按相似度划分为不同类别,从而为后续的数据分析提供技术支撑。聚类方法利用距离的比较或是相似度的度量(距离的单调递减函数)将距离更近的数据或相似度更高的数据划分为同一类别。显然,若不同类别数据在距离的度量上存在尺度差距,如图2(b)所示,分布于左侧聚类中心的灰度方差明显小于分布于右侧聚类中心的灰度方差。但是,传统的基于距离对比的聚类方法取二者中间位置作为分类边界,从而导致类别2的部分数据被误分为类别1。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于距离自适应聚类的图像分割方法,该方法能够得到的精确聚类结果,使得对图像的分割更加精确。
为解决上述技术问题,本发明所采取的技术方案是:
本发明提供一种基于距离自适应聚类的图像分割方法,包括如下步骤:
步骤1:获取图像Q并得到该图像的灰度值,形成待聚类数据集合I;
步骤2:根据距离自适应的聚类方法,对图像Q进行分割处理,得到图像Q′;
步骤2.1:设置聚类个数C、模糊控制因子m、最大迭代次数J、收敛阈值ε、迭代计数变量p;
步骤2.2:根据待聚类数据总数N与聚类个数C初始化隶属度矩阵;
步骤2.3:根据待聚类数据集合I与隶属度矩阵U,更新聚类中心V={v1,v2,...,vi,...vC};
所述更新聚类中心vi的公式如下所示:
其中,uik为隶属度,xk为数据像素点,xk∈I,m为模糊控制因子;
步骤2.4:更新自适应控制因子集合Α={α1,α2,...αi,...αC};
所述更新距离度量自适应控制因子αi的具体方法为:
步骤2.5:更新隶属度矩阵U,得到更新后的隶属度矩阵U′;
所述更新隶属度矩阵uik的公式如下所示:
当模糊控制因子m=1时,
步骤2.6:计算目标函数E的函数值;
所述目标函数E如下所示:
步骤2.7:判断是否达到迭代终止条件,若是,则执行步骤2.8:否则,迭代计数变量p加1,返回步骤2.3;
所述终止条件为当前迭代计数变量与最大迭代次数J相等或者目标函数E的函数值与前一次迭代差值小于收敛阈值ε;
步骤2.8:当前隶属度矩阵U即为待聚类数据I的聚类结果,并以每一数据对象最大隶属度所对应的聚类中心作为该对象的归属类别。
其中,n为第i类当前数据总数。
采用上述技术方案所产生的有益效果在于:本发明提供的基于距离自适应聚类的图像分割方法,克服了由距离度量尺度差异引起的数据分类错误问题,能够得到精确聚类结果,使得图像分割更加精准。
附图说明
图1为本发明实施例提供的方法流程图;
图2为本发明实施例1提供的基于距离度量的聚类算法在处理过程中对应灰度直方图分界情况示意图,其中,a为待聚类数据直方图,b为FCM聚类算法在直方图上的灰度分类边界情况,c为kmeans聚类算法直方图上的灰度分类边界情况,d为距离自适应聚类方法直方图上的灰度分类边界情况;
图3为本发明实施例1提供的基于距离度量的聚类算法对类别尺度不一致问题的处理结果对比图,其中,a为待聚类数据示意图,b为应用FCM聚类算法示意图,c为应用kmeans聚类算法示意图,d为应用距离自适应聚类方法示意图;
图4为本发明实施例2提供的基于距离度量的聚类算法在处理过程中对应灰度直方图分界情况示意图,其中,a为待聚类数据直方图,b为FCM聚类算法在直方图上的灰度分类边界情况,c为kmeans聚类算法直方图上的灰度分类边界情况,d为距离自适应聚类方法直方图上的灰度分类边界情况;
图5为本发明实施例2提供的基于距离度量的聚类算法对类别尺度不一致问题的处理结果对比图,其中,a为待聚类数据示意图,b为应用FCM聚类算法示意图,c为应用kmeans聚类算法示意图,d为应用距离自适应聚类方法示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例的方法如下所述。
本发明提供一种基于距离自适应聚类的图像分割方法,包括如下步骤:
步骤1:获取图像Q并得到该图像的灰度值,形成待聚类数据集合I;
步骤2:根据距离自适应的聚类方法,对图像Q进行分割处理,得到图像Q′;
步骤2.1:设置聚类个数C、模糊控制因子m、最大迭代次数J、收敛阈值ε、迭代计数变量p。
步骤2.2:根据待聚类数据总数N与聚类个数C初始化隶属度矩阵;
步骤2.3:根据待聚类数据集合I与隶属度矩阵U,更新聚类中心V={v1,v2,...,vi,...vC};
所述更新聚类中心vi的公式如下所示:
其中,uik为隶属度,xk为数据像素点,xk∈I,m为模糊控制因子;
步骤2.4:更新自适应控制因子集合Α={α1,α2,...αi,...αC};
所述更新距离度量自适应控制因子αi的具体方法为:
其中,n为第i类当前数据总数,是一个变化值;
步骤2.5:更新隶属度矩阵U,得到更新后的隶属度矩阵U′;
所述更新隶属度矩阵uik的公式如下所示:
当模糊控制因子m=1时,
步骤2.6:计算目标函数E的函数值;
所述目标函数E如下所示:
步骤2.7:判断是否达到迭代终止条件,若是,则执行步骤2.8:否则,迭代计数变量p加1,返回步骤2.3;
终止条件为当前迭代计数变量与最大迭代次数J相等或者目标函数E的函数值与前一次迭代差值小于收敛阈值ε;
步骤2.8:当前隶属度矩阵U即为待聚类数据I的聚类结果,以每一数据对象最大隶属度所对应的聚类中心作为该对象的归属类别。
聚类后修正了由灰度边界(灰度直方图中的明显界限)处灰度值在距离度量上存在的尺度差异所引起的灰度边界分类错误的问题。
实施例1:
本发明提供一种基于距离自适应聚类的图像分割方法,包括如下步骤:
步骤1:获取分辨率为100x100的祥云图像灰度值作为待聚类数据I;
步骤2:根据距离自适应的聚类方法,对图像进行分割处理,得到分割好的祥云图像;
步骤2.1:设置聚类个数C、模糊控制因子m、最大迭代次数J、收敛阈值ε、迭代计数变量p。
本实施例中I内数据总数N=10000,C=2;
步骤2.2:根据待聚类数据总数N与聚类个数C初始化隶属度矩阵;
步骤2.3:根据待聚类数据集合I与隶属度矩阵U,更新聚类中心V={v1,v2};
所述更新聚类中心vi的公式如下所示:
其中,uik为隶属度,xk为数据像素点,xk∈I,m为模糊控制因子;
步骤2.4:更新自适应控制因子集合Α={α1,α2,...αi,…αC};
所述更新距离度量自适应控制因子αi的具体方法为:
其中,n为第i类当前数据总数,是一个变化值;
步骤2.5:更新隶属度矩阵U,得到更新后的隶属度矩阵U′;
所述更新隶属度矩阵uik的公式如下所示:
当模糊控制因子m=1时,
步骤2.6:计算目标函数E的函数值;
所述目标函数E如下所示:
步骤2.7:判断是否达到迭代终止条件,若是,则执行步骤2.8:否则,迭代计数变量p加1,返回步骤2.3;
终止条件为当前迭代计数变量与最大迭代次数J相等或者目标函数E的函数值与前一次迭代差值小于收敛阈值ε;
步骤2.8:当前隶属度矩阵U即为待聚类数据I的聚类结果,以每一数据对象最大隶属度所对应的聚类中心作为该对象的归属类别。
聚类后修正了由灰度边界(如图2所示,灰度直方图中的明显界限)处灰度值在距离度量上存在的尺度差异所引起的灰度边界分类错误的问题。
如图3所示,其中,fcm(fuzzy C-means)算法和kmeans算法由于仅仅考虑了距离而导致分类边界远远偏离了灰度边界造成图(b)(c)中原本应该为背景的像素点被分类为前景的情况。而本文发明算法有效的修正了该问题,极大的减少了被分错的背景像素点。
实施例2:
此实施例除采用的输入图像,以及C=3,N=33600与实施例1不同以外,本实施例的步骤、参数设置均与实施例1相同。
聚类后修正了由灰度边界(如图4所示,灰度直方图中的明显界限)处灰度值在距离度量上存在的尺度差异所引起的灰度边界分类错误的问题。
如图5所示,其中,fcm(fuzzy C-means)算法和kmeans算法由于仅仅考虑了距离而导致分类边界远远偏离了灰度边界造成图(b)(c)中原本应该为背景的像素点以及原本应该为深色鬃毛的像素点被分类为浅色鬃毛的情况。而本文发明算法有效的修正了该问题,极大的减少了被分错的像素点。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于距离自适应聚类的图像分割方法,其特征在于:包括如下步骤:
步骤1:获取图像Q并得到该图像的灰度值,形成待聚类数据集合I;
步骤2:根据距离自适应的聚类方法,对图像Q进行分割处理,得到图像Q′;
步骤2.1:设置聚类个数C、模糊控制因子m、最大迭代次数J、收敛阈值ε、迭代计数变量p;
步骤2.2:根据待聚类数据总数N与聚类个数C初始化隶属度矩阵;
步骤2.3:根据待聚类数据集合I与隶属度矩阵U,更新聚类中心V={v1,v2,...,vi,...vC};
所述更新聚类中心vi的公式如下所示:
其中,uik为隶属度,xk为数据像素点,xk∈I,m为模糊控制因子;
步骤2.4:更新自适应控制因子集合Α={α1,α2,...αi,...αC};
所述更新距离度量自适应控制因子αi的具体方法为:
步骤2.5:更新隶属度矩阵U,得到更新后的隶属度矩阵U′;
所述更新隶属度矩阵uik的公式如下所示:
当模糊控制因子m=1时,
步骤2.6:计算目标函数E的函数值;
所述目标函数E如下所示:
步骤2.7:判断是否达到迭代终止条件,若是,则执行步骤2.8:否则,迭代计数变量p加1,返回步骤2.3;
所述终止条件为当前迭代计数变量与最大迭代次数J相等或者目标函数E的函数值与前一次迭代差值小于收敛阈值ε;
步骤2.8:当前隶属度矩阵U即为待聚类数据I的聚类结果,并以每一数据对象最大隶属度所对应的聚类中心作为该对象的归属类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030548.XA CN111047593B (zh) | 2019-10-28 | 2019-10-28 | 一种基于距离自适应聚类的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030548.XA CN111047593B (zh) | 2019-10-28 | 2019-10-28 | 一种基于距离自适应聚类的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047593A CN111047593A (zh) | 2020-04-21 |
CN111047593B true CN111047593B (zh) | 2023-06-02 |
Family
ID=70232893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911030548.XA Active CN111047593B (zh) | 2019-10-28 | 2019-10-28 | 一种基于距离自适应聚类的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047593B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235894A (zh) * | 2013-05-08 | 2013-08-07 | 华东理工大学 | 基于自适应优选模糊核聚类的石脑油属性聚类方法 |
CN109064470A (zh) * | 2018-08-28 | 2018-12-21 | 河南工业大学 | 一种基于自适应模糊聚类的图像分割方法及装置 |
CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
CN109389608A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7831538B2 (en) * | 2007-05-23 | 2010-11-09 | Nec Laboratories America, Inc. | Evolutionary spectral clustering by incorporating temporal smoothness |
CN107977952A (zh) * | 2016-10-21 | 2018-05-01 | 冯原 | 医学图像分割方法及装置 |
-
2019
- 2019-10-28 CN CN201911030548.XA patent/CN111047593B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235894A (zh) * | 2013-05-08 | 2013-08-07 | 华东理工大学 | 基于自适应优选模糊核聚类的石脑油属性聚类方法 |
CN109064470A (zh) * | 2018-08-28 | 2018-12-21 | 河南工业大学 | 一种基于自适应模糊聚类的图像分割方法及装置 |
CN109145921A (zh) * | 2018-08-29 | 2019-01-04 | 江南大学 | 一种基于改进的直觉模糊c均值聚类的图像分割方法 |
CN109389608A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 |
Non-Patent Citations (1)
Title |
---|
结合X-means聚类的自适应随机子空间组合分类算法;曹鹏 等;计算机应用;第33卷(第2期);第550-553页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111047593A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389608B (zh) | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 | |
KR102631031B1 (ko) | 반도체 장치의 불량 검출 방법 | |
CN112424828A (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN106204592B (zh) | 一种基于局部灰度聚类特征的图像水平集分割方法 | |
CN106530341B (zh) | 一种保持局部拓扑不变性的点配准算法 | |
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及*** | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN110008844A (zh) | 一种融合slic算法的kcf长期手势跟踪方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN111340815B (zh) | 一种基于大津法与k均值法的自适应图像分割方法 | |
CN114359190A (zh) | 一种基于图像处理的塑料制品成型控制方法 | |
CN114419321B (zh) | 一种基于人工智能的ct图像心脏分割方法及*** | |
CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及*** | |
CN114139631B (zh) | 一种面向多目标训练对象可选择的灰盒的对抗样本生成方法 | |
CN111047593B (zh) | 一种基于距离自适应聚类的图像分割方法 | |
CN110619643A (zh) | 一种基于局部信息的区域生长图像分割方法 | |
CN113409335B (zh) | 基于强弱联合半监督直觉模糊聚类的图像分割方法 | |
CN113408573B (zh) | 基于机器学习的瓷砖色号自动分类归类的方法及装置 | |
CN111027474A (zh) | 人脸区域获取方法、装置、终端设备和存储介质 | |
Ayech et al. | Image segmentation based on adaptive Fuzzy-C-Means clustering | |
CN113642668A (zh) | 基于改进麻雀搜索算法的抑制式粗糙直觉模糊聚类方法 | |
CN115272737B (zh) | 一种橡胶圈流痕识别方法 | |
CN116228776A (zh) | 一种机电设备焊接缺陷识别方法及*** | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |