CN111932578B - 融入类指数抑制因子的像素块聚类无损检测图像分割方法 - Google Patents

Abstract

本发明公开了一种融入指数抑制因子的像素块聚类无损检测图像分割方法，输入原始灰度图像，针对任一像素块利用块内像素间的空间位置关系和灰度关系得到块内像素的权重，遍历所有的像素块，构建与类大小反向相关的类指数抑制因子表达式，将类指数抑制因子、各像素块及其权重建融入模糊均值的目标函数，建立新的目标函数并获得相应的新的隶属度，基于迭代的模糊均值聚类对图像进行分割，输出结果。本发明同时考虑背景与目标面积差异大的特性构造类指数抑制因子，将像素块和抑制因子融入模糊均值的目标函数进行图像分割，对噪声具有鲁棒性，能有效应用到无损检测图像分割中。本发明适用于图像中的目标进行识别与测量的技术领域。

Description

融入类指数抑制因子的像素块聚类无损检测图像分割方法

技术领域

本发明属于图像处理的技术领域，具体地说，涉及一种指融入指数抑制因子的像素块聚类无损检测图像分割方法，分割对象为背景和目标面积差异大的无损检测图像，用以为图像中的目标进行识别与测量奠定基础。

背景技术

无损检测图像一般是指采用射线、涡流、超声、红外等技术对仪器、材料、设备等进行缺陷、目标测量与识别而形成的图像。对该类图像进行分割是自动实现目标测量与识别的必要前提，但是在成像过程中成像环境非常复杂多变，易受到多种不利因素的影响，比如工况条件差、光线昏暗、机器设备的热辐射等，所以得到的无损检测图像常常伴随噪音的干扰。另外，无损检测图像中目标与背景面积相差很大，即待检查的缺陷或目标等只占图像面积的很小部分，这为有效分割带来很大的阻碍。

目前，有效的图像分割主要有这几类：基于阈值的方法、基于聚类的方法、基于图论的方法、基于边缘的方法等，其中模糊C均值方法作为聚类方法的一种，得到了广泛的应用。它将图像像素单独考虑故对噪声敏感，考虑像素的邻域信息的很多改进方法被提出，如增强型模糊C均值算法(EnFCM)、快速广义模糊C均值算法(FGFCM)等。这类方法因为考虑了邻域信息而不免引入一个或者多个可调参数，对算法的自适应性造成伤害。

现有的模糊C均值方法把每个像素“一视同仁”地对待，使得无损检测图像中面积大的背景像素对目标函数的影响远超过面积小的目标像素，这会使得目标像素的聚类中心更易受背景像素的影响而发生偏移，造成非有效分割。因此，为了进一步提升模糊C均值方法的适应性，邻域信息带来的参数设置问题及背景和目标面积差异大的问题都亟需解决。

发明内容

本发明提供一种以像素块为基本单元，同时考虑背景与目标面积差异大的特性构造类指数抑制因子，将像素块和抑制因子融入模糊C均值的目标函数进行图像分割，对噪声具有鲁棒性，能有效应用到无损检测图像分割中的融入类指数抑制因子的像素块聚类无损检测图像分割方法。

为实现上述目的，本发明所采用的技术方案如下：

融入指数抑制因子的像素块聚类无损检测图像分割方法，其特征在于，包含如下步骤：

步骤S10：输入原始灰度图像X＝{x₁,x₂,…,x_n}以及像素块大小q，将每个像素对应的像素块进行保存，I＝{G₁,G₂,…,G_n}，其中G_j＝(g_jr,r∈N_j)，N_j为以x_j为中心的像素块，G_j为第j个像素对应的像素块灰度值集合，g_jr表示像素块N_j内第r个像素的灰度值；

步骤S20：针对任一像素块G_j(j＝1,2,…,n)，利用块内像素间的空间位置关系和灰度关系得到块内像素的权重W_j＝(w_jr,r∈N_j)，遍历所有的像素块I＝{G₁,G₂,…,G_n}；

步骤S30：构建与类大小反向相关的类指数抑制因子表达式RCE_i(i＝1,2,…,c)，c为类的数目；

步骤S40：将类指数抑制因子RCE_i、各像素块G_j及其权重W_j建融入模糊C均值的目标函数，建立新的目标函数J(U,V)并获得相应的新的隶属度U＝{u_ij,i＝1,2,…,c；j＝1,2,…n}和聚类中心V＝{v_i,i＝1,2,…,c}；

步骤S50：基于迭代的模糊C均值聚类对图像进行分割，输出结果。

进一步的，步骤S10所述像素块为正方形，像素块的大小q表示边长，块内像素个数为q×q。

进一步的，步骤S20所述像素块内像素的权重W_j＝(w_jr,r∈N_j)，实现步骤为：

步骤S21：像素块N_j内像素间的空间位置关系表示为w_jsd＝1/(1+d_jr)，其中，d_jr为像素块内像素x_r与中心像素x_j的空间坐标关系；

步骤S22：像素块N_j内像素间的灰度关系用w_jpg表示，首先分析得出像素块N_j内为噪声或边缘的各像素；

步骤S23：将噪声和边缘的各像素抛掉后，剩余像素g′_jr＝{g_jr|β_jr＝1}；然后，剩余像素在块内起伏大小为

为g′_jr的均值；利用

表示起伏的均值，则

将判断为噪声或边缘的像素权重置为0，形成w_jpg；

步骤S24：经由空间关系和灰度关系综合确定权重

最后，遍历所有的像素块。

进一步的，步骤S22噪声或边缘的各像素分析方法为：当

σ_j是N_j内灰度值的标准差，则β_jr＝1，表示像素g_jr不是噪声；相反，认为是噪声，β_jr＝0。

进一步的，步骤S30所述的类指数抑制因子RCE_i表达式为

式中a、b为可调参数。

7、进一步的，步骤S40所述的新的目标函数为

式中为m模糊因子；最小化J(U,V)并结合

可得所述的隶属度u_ij和聚类中心v_i，分别为：

v_k表示第k类的聚类中心，u_kj表示第j个像素块属于第k类的隶属度，e表示自然指数。

进一步的，步骤S50所述的基于迭代的模糊C均值聚类对图像进行分割，具体步骤如下：

步骤S51：得到所有的像素块内像素的权重W_j＝(w_jr,r∈N_j)；

步骤S52：指定聚类数目c、模糊因子m、迭代次数T、终止条件ε、随机初始化隶属度矩阵U和聚类中心矩阵V，初始计数器t＝0；

步骤S53：计算类指数抑制因子RCE_i；

步骤S54：由新的隶属度表达式更新U；

步骤S55：由新的聚类中心表达式更新V；

步骤S56：重复步骤S53至步骤S55，直到t>T或者||V_t-V_t-1||<ε为止；

步骤S57：对任意的隶属度u_ij进行去模糊化，得到像素x_j的标签，

L_j＝ar_ig(max(u_ij))，最后遍历所有像素的隶属度，输出分割图像。

本发明由于采用了上述的结构，其与现有技术相比，所取得的技术进步在于：本发明采用像素块取代单个像素进入迭代进程，且像素块内像素权重可以事先由像素块内像素的空间位置关系和灰度关系自适应确定，提升了鲁棒性和自适应性；本发明构建了类指数抑制因子，该因子与无损检测图像中背景或目标面积大小反向相关，将其融入目标函数，可以调整背景像素与目标像素对目标函数的贡献，提升无损检测图像分割效果。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明的实现示意图；

图2是本发明随机选取的三个像素块(a)选择的三个含噪声像素块；图2(b)-(d)是三个像素块内的像素灰度值；图2(e)-(g)是由本发明得到的像素权重大小；

图3是本发明与其它方法在图像受高斯噪声干扰时分割效果图；

图4是本发明与其它方法在图像受椒盐噪声干扰时分割效果图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明。应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明公开了一种融入类指数抑制因子的像素块聚类无损检测图像分割方法，如图1-4所示，包括如下步骤，

步骤S10：输入原始灰度图像X＝{x₁,x₂,…,x_n}以及像素块大小q，将每个像素对应的像素块进行保存，I＝{G₁,G₂,…,G_n}，其中G_j＝(g_jr,r∈N_j)，N_j为以x_j为中心的像素块，G_j为第j个像素对应的像素块灰度值集合，g_jr表示像素块N_j内第r个像素的灰度值；

步骤S20：针对任一像素块G_j(j＝1,2,…,n)，利用块内像素间的空间位置关系和灰度关系得到块内像素的权重W_j＝(w_jr,r∈N_j)，遍历所有的像素块I＝{G₁,G₂,…,G_n}；

步骤S30：构建与类大小反向相关的类指数抑制因子表达式RCE_i(i＝1,2,…,c)，c为类的数目；

步骤S40：将类指数抑制因子RCE_i、各像素块G_j及其权重W_j建融入模糊C均值的目标函数，建立新的目标函数J(U,V)并获得相应的新的隶属度U＝{uij,i＝1,2,…,c；j＝1,2,…n}和聚类中心V＝{v_i,i＝1,2,…,c}；

步骤S50：基于迭代的模糊C均值聚类对图像进行分割，输出结果。

作为本发明的一个优选的实施例，如图2所示，在上述的步骤S10中像素块为正方形，该正方形的边长为q，优选的，q＝3，块内像素个数为3²＝9个。

作为本发明的一个优选的实施例，步骤S20中像素块内像素的权重W_j＝(w_jr,r∈N_j)，实现步骤为：

步骤S21：像素块N_j内像素间的空间位置关系表示为w_jsd＝1/(1+d_jr)，其中d_jr为像素块内像素x_r与中心像素x_j的空间坐标关系。对于q＝3的像素块，中心像素与上下左右四个方向邻近像素d_jr＝1，中心像素与东南、东北等四个斜向的邻近像素d_jr＝2^0.5；

步骤S22：像素块N_j内像素间的灰度关系用w_jpg表示。首先衡量像素块N_j内各像素为噪声或边缘的可能性：如果

σ_j是N_j内灰度值的标准差，则β_jr＝1，表示像素g_jr不是噪声，否则，认为是噪声，β_jr＝0。把确定是噪声或边缘的像素抛掉后，剩余像素g′_jr＝{g_jr|β_jr＝1}；然后，剩余像素在块内起伏大小为

为g′_jr的均值。利用

表示起伏的均值，则

将判断为噪声或边缘的像素权重置为0，形成w_jpg；

步骤S23：经由空间关系和灰度关系综合确定权重

最后遍历所有的像素块。图2选择了A、B、C三个像素块进行了展示，显示像素块内像素权重赋值的自适应性。

作为本发明的一个优选的实施例，步骤S30中类指数抑制因子RCE_i表达式为

优选的，式中a＝2、b＝0.4。

8、作为本发明的一个优选的实施例，步骤S40所述的新的目标函数为

式中为m模糊因子；最小化J(U,V)并结合

可得所述的隶属度u_ij和聚类中心v_i，分别为：

v_k表示第k类的聚类中心，u_kj表示第j个像素块属于第k类的隶属度，e表示自然指数。

作为本发明的一个优选的实施例，步骤S50中，基于迭代的模糊C均值聚类对图像进行分割，具体的实现步骤如下，

步骤S51：得到所有的像素块内像素的权重W_j＝(w_jr,r∈N_j)；

步骤S52：指定聚类数目c＝2、模糊因子m＝2、迭代次数T＝200、终止条件ε＝0.0001、随机初始化隶属度矩阵U和聚类中心矩阵V，初始计数器t＝0；

步骤S53：计算类指数抑制因子RCE_i；

步骤S54：由新的隶属度表达式更新U；

步骤S55：由新的聚类中心表达式更新V；

步骤S56：重复步骤S53至步骤S55，直到t>T或者||V_t-V_t-1||<ε为止。

步骤S57：对任意的隶属度u_ij进行去模糊化，得到像素x_j的标签，

最后遍历所有像素的隶属度，输出分割图像。

本发明的效果可以通过以下实验进一步说明：

1)实验图像：

实验测试图像为无损检测图像。

2)实验环境：Matlab(R2014a)、3.40GHz

CoreTM i3-2130处理器，2GB内存，Windows7中文版操作***。

3)实验内容：

对无损检测图像人为添加高斯噪声或者椒盐噪声，进一步，所添加的高斯噪声是均值为0，归一化噪声为0.01，表示为(0，0.01)，所添加的椒盐噪声是密度为10％，表示为(10％)。用本发明的方法对无损检测图像进行分割，结果如图3、图4所示。图3是无损检测图像受高斯噪声干扰时本发明与对比方法的分割结果图，其中第一列为添加高斯噪声后的待分割图，第二列为用于对比分割效果的标准分割图，第三列至第六列为本发明和对比方法的分割结果；图4为无损检测图像受椒盐噪声干扰时本发明与对比方法的分割结果图，其中第一列为添加椒盐噪声后的待分割图，第二列为用于对比分割效果的标准分割图，第三列至第六列为本发明和对比方法的分割结果。

本发明优选的，用于对比的方法为NDFCM(Noise detecting fuzzy c-means)、FGFCM(Fast generalized fuzzy c-means)、SNSFCM(Selection-suppressed non-localspatial fuzzy c-means)。

4)实验结果对比分析

视觉效果方面，由图3和图4可以看出，本发明对高斯噪声或椒盐噪声有较强的抑制力，同时，相较于其它方法，本发明能够有效地将图像中的目标从背景中分割出来，也就是说，本发明得到的分割结果比其它方法更接近于标准的分割结果，进而能够为目标测量与识别提供保障。

定量方面，使用F_value指标进行统计分析，结果如表1。由表中的指标结果可以看出，本发明得到的指标值更高，从数值上验证了本发明的分割效果超过了对比方法。

表1指标F_value(％)值比较

Image	NDFCM	FGFCM	SNSFCM	本发明
					图3(a)	78.19	74.91	82.56	93.94
图3(b)	66.79	65.23	69.88	93.54
					图4(a)	47.24	50.42	44.84	75.92
图4(b)	83.74	85.23	80.34	91.88

进一步，F_value指标表达式为：

其中P为查准率，R为查全率，β为度量P和R的相对重要性，一般地，β＝1。指标愈大表示分割效果越好。

综上所述，本发明在评价指标F_value上都优于其他对比方法，且在目标轮廓分割上接近于无损检测图像的标准分割水平。

表1中和图3、图4中的对比方法来源说明如下：

[1]NDFCM(Guo F F,Wang X X,ShenJ.Adaptive fuzzy c-means algorithmbased on local noise detecting for image segmentation[J].Iet ImageProcessing,2016,10(4):272-279.)；

[2]FGFCM(Cai W L,Chen S K,Zhang D Q.Fast and robust fuzzy c-meansclustering algorithms incorporating local information for image segmentation[J].Pattern Recognition,2007,40(3):825-838.)；

[3]SNSFCM(赵凤,范九伦.优选抑制式非局部空间模糊C-均值图像分割方法[J].计算机应用研究,2012,29(7):2737-2739,2746.)。

综上所述，本发明的优点在于：

(1)本发明采用像素块取代单个像素进入迭代进程，且像素块内像素权重可以事先由像素块内像素的空间位置关系和灰度关系自适应确定，提升了鲁棒性和自适应性。

(2)本发明构建了类指数抑制因子，该因子与无损检测图像中背景或目标面积大小反向相关，将其融入目标函数，可以调整背景像素与目标像素对目标函数的贡献，提升无损检测图像分割效果。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明权利要求保护的范围之内。

Claims (5)

1.融入类指数抑制因子的像素块聚类无损检测图像分割方法，其特征在于，包含如下步骤：

步骤S10：输入原始灰度图像X＝{x₁,x₂,…,x_n}以及像素块大小q，将每个像素对应的像素块进行保存，I＝{G₁,G₂,…,G_n}，其中G_j＝(g_jr,r∈N_j)，N_j为以x_j为中心的像素块，G_j为第j个像素对应的像素块灰度值集合，g_jr表示像素块N_j内第r个像素的灰度值；

步骤S20：针对任一像素块G_j(j＝1,2,…,n)，利用块内像素间的空间位置关系和灰度关系得到块内像素的权重W_j＝(w_jr,r∈N_j)，遍历所有的像素块I＝{G₁,G₂,…,G_n}；

步骤S30：构建与类大小反向相关的类指数抑制因子表达式RCE_i(i＝1,2,…,c)，c为类的数目；

步骤S40：将类指数抑制因子RCE_i、各像素块G_j及其权重W_j建立融入模糊C均值的目标函数，建立新的目标函数J(U,V)并获得相应的新的隶属度U＝{u_ij,i＝1,2,…,c；j＝1,2,…n}和聚类中心V＝{v_i,i＝1,2,…,c}；

步骤S50：基于迭代的模糊C均值聚类对图像进行分割，输出结果；

步骤S20所述像素块内像素的权重W_j＝(w_jr,r∈N_j)，实现步骤为：

步骤S21：像素块N_j内像素间的空间位置关系表示为w_jsd＝1/(1+d_jr)，其中，d_jr为像素块内像素x_r与中心像素x_j的空间坐标关系；

步骤S22：像素块N_j内像素间的灰度关系用w_jpg表示，首先分析得出像素块N_j内为噪声或边缘的各像素；

步骤S23：将噪声和边缘的各像素抛掉后，剩余像素g′_jr＝{g_jr|β_jr＝1}；然后，剩余像素在块内起伏大小为

为g′_jr的均值；利用

表示起伏的均值，则

将判断为噪声或边缘的像素权重置为0，形成w_jpg；

步骤S24：经由空间关系和灰度关系综合确定权重

最后，遍历所有的像素块；

步骤S30所述的类指数抑制因子RCE_i表达式为

式中a、b为可调参数，s表示第s个像素块的下标索引，u_is表示第s个像素块属于第i类的隶属度。

2.根据权利要求1所述的融入类指数抑制因子的像素块聚类无损检测图像分割方法，其特征在于：步骤S10所述像素块为正方形，像素块的大小q表示边长，块内像素个数为q×q。

3.根据权利要求1所述的融入类指数抑制因子的像素块聚类无损检测图像分割方法，其特征在于，步骤S22噪声或边缘的各像素分析方法为：当

σ_j是N_j内灰度值的标准差，则β_jr＝1，表示像素g_jr不是噪声；相反，认为是噪声，β_jr＝0。

4.根据权利要求1所述的融入类指数抑制因子的像素块聚类无损检测图像分割方法，其特征在于：步骤S40所述的新的目标函数为

式中为m模糊因子；最小化J(U,V)并结合

可得所述的隶属度u_ij和聚类中心v_i，分别为：

v_k表示第k类的聚类中心，u_kj表示第j个像素块属于第k类的隶属度，e表示自然指数。

5.根据权利要求1所述的融入类指数抑制因子的像素块聚类无损检测图像分割方法，其特征在于，步骤S50所述的基于迭代的模糊C均值聚类对图像进行分割，具体步骤如下：

步骤S51：得到所有的像素块内像素的权重W_j＝(w_jr,r∈N_j)；

步骤S52：指定聚类数目c、模糊因子m、迭代次数T、终止条件ε、随机初始化隶属度矩阵U和聚类中心矩阵V，初始计数器t＝0；

步骤S53：计算类指数抑制因子RCE_i；

步骤S54：由新的隶属度表达式更新U；

步骤S55：由新的聚类中心表达式更新V；

步骤S56：重复步骤S53至步骤S55，直到t>T或者||V_t-V_t-1||<ε为止；

步骤S57：对任意的隶属度u_ij进行去模糊化，得到像素x_j的标签，

最后遍历所有像素的隶属度，输出分割图像。

Images