CN111047593B - 一种基于距离自适应聚类的图像分割方法 - Google Patents

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

一种基于距离自适应聚类的图像分割方法

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,...,v_i,...v_C}；

所述更新聚类中心v_i的公式如下所示：

/>

其中，u_ik为隶属度，x_k为数据像素点，x_k∈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，...α_i,...α_C}；

所述更新距离度量自适应控制因子α_i的具体方法为：

其中，d(x_k,v_i)是数据点x_k到聚类中心v_i的距离，

为类内平均距离集合；

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u_ik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。

所述步骤2.4中类内平均距离

的公式如下：

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,...,v_i,...v_C}；

所述更新聚类中心v_i的公式如下所示：

其中，u_ik为隶属度，x_k为数据像素点，x_k∈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,...α_i,...α_C}；

所述更新距离度量自适应控制因子α_i的具体方法为：

其中，d(x_k,v_i)是数据点x_k到聚类中心v_i的距离，

为类内平均距离集合。

所述类内平均距离

公式如下：

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u_ik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v_i的公式如下所示：

其中，u_ik为隶属度，x_k为数据像素点，x_k∈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,...α_i,…α_C}；

所述更新距离度量自适应控制因子α_i的具体方法为：

其中，d(x_k,v_i)是数据点x_k到聚类中心v_i的距离，

为类内平均距离集合。

所述类内平均距离

公式如下：

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u_ik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,...,v_i,...v_C}；

所述更新聚类中心v_i的公式如下所示：

其中，u_ik为隶属度，x_k为数据像素点，x_k∈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，...α_i,...α_C}；

所述更新距离度量自适应控制因子α_i的具体方法为：

其中，d(x_k,v_i)是数据点x_k到聚类中心v_i的距离，

为类内平均距离集合；

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u_ik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。

2.根据权利要求1所述的一种基于距离自适应聚类的图像分割方法，其特征在于：所述步骤2.4中类内平均距离

的公式如下：

其中，n为第i类当前数据总数。

Images