基于模糊C-均值聚类与模糊支持向量机的自适应图像分割算法

摘要

图像分割是图像处理问题中的关键步骤，其准确性对其后的图像处理质量至关重要.模糊C-均值聚类(FCM)及支持向量机方法(SVM)是解决图像分割问题最为常见的两类方法，尤其是模糊C-均值聚类算法，在医学图像的分割处理中有十分成功的应用，然而，在图像的采集、保存及前期处理过程中，难免会有部分图像数据失真，即噪声，这对算法得到高质量分割效果十分不利，已有学者试图利用图像邻域信息或松弛分割边界等思想，改进FCM及SVM算法，以减少噪声影响，但这些算法都存在着参数选取对噪声敏感的问题，针对这一问题，本论文主要在算法参数选取对噪声的自适应性方面做了一些探索工作.下面将本论文的主要工作归纳如下:
　　为解决快速广义FCM算法(FGFCM)邻域半径参数选取对噪声敏感的问题，本文利用算法中间步中的像素隶属度来度量邻域的噪声强度，进而通过这一度量值来调节像素局部的邻域半径值，从而达到自适应调整窗口大小以减少噪声影响、并同时尽可能保留局部图像信息的目的，根据这一思想提出了自适应调节参数的新算法—N-FGFCM算法.本文对人工合成和非人工图像都做了大量的数值实验用以比较经典的FCM算法、FGFCM算法及本文提出的N-FGFCM算法，实验结果表明新算法无论在分割准确率、自适应性及计算时间上都具有一定的优势，
　　针对已有模糊支持向量机(FSVM)模型模糊隶属度参数选取计算复杂度大及对噪声敏感问题，本文提出了一种基于N-FGFCM的新的自适应FSVM算法—Auto-NFSVM算法.新算法利用N-FGFCM算法自动对样本点的输入进行标号，并得到样本点的输入对每类的模糊隶属度.提取部分样本点作为训练集，训练FSVM分类模型得到分类函数，实现对图像的自动分割.本文做了大量的数值实验以比较FCM-FSVM算法、KNN-FSVM算法及Auto-NFSVM算法在对噪声的鲁棒性，泛化能力及计算时间等指标上的优劣.实验结果表明新算法具有更强的泛化能力，并在减弱噪声对计算结果的影响的同时，保留了更多地细节信息.