面向图像分割的模糊C-均值聚类初始聚类中心自动选取方法

摘要

本发明公开了一种面向图像分割的模糊C‑均值聚类初始聚类中心自动选取方法，首先初始化一个大小为256的数组count，count[i]为灰度值i在给定灰度图像中的出现次数；然后计算各灰度值i的局部密度Pi；接着对具有局部密度的灰度值i设置对应的minDist[i]；计算一个合适阈值τ将相关的minDist[i]分成一大一下两组；最后返回minDist[i]大于τ的所有灰度值i作为在给定灰度图上运行模糊C‑均值聚类算法的初始聚类中心。本发明可有效改善随机选择初始聚类中心带来的模糊C‑均值聚类所需迭代次数过多、聚类结果易于陷入局部最优解的问题，从而提升图像分割的运行效率和分割质量。

说明书

技术领域

本发明属于图像处理技术领域，涉及一种基于模糊聚类的图像分割方法，特别涉及一种面向图像分割的模糊C-均值聚类初始聚类中心自动选取方法。

背景技术

图像分割就是把图像分成各具特性的区域以便提取出感兴趣目标，是由图像处理到图像分析的一个关键步骤，是图像工程的基础。图像分割在诸如计算机视觉、军事卫星图像的处理、生物医学上的图像分析等方面有着广泛应用。模糊聚类方法由于其软性划分，可以很好地反应图像的模糊性和不确定性，所以被广泛的应用于图像分割中。

在面向图像分割的模糊聚类技术中，模糊C-均值算法(本发明中所指的模糊C-均值算法亦包含其各种改进算法)使用最为普遍。它们通过优化目标函数得到每个样本点(如各像素点的灰度值)对于所有聚类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。但是，该算法在具体实施过程中，往往需要用户人工指定聚类个数，并采用随机选取的初始聚类中心，通过迭代运算逐步靠近真实的聚类中心。这种做法虽然简单易实现，但随机选择初始聚类中心往往需要较多的迭代次数才能使得模糊C-均值算法达到收敛，且收敛的结果也较容易陷入局部最优解。为了提升图像分割的效率和效果，为模糊C-均值算法选择一组好的初始聚类中心十分重要。

发明内容

为了解决上述技术问题，本发明提出了一种面向图像分割的模糊C-均值聚类初始聚类中心自动选取方法，可自动确定聚类个数，避免图像分割时初始聚类中心的随机选择，有效减少模糊C-均值聚类算法在图像分割运算过程中的迭代次数，提升图像分割的质量。

本发明所采用的技术方案是：一种面向图像分割的模糊C均值聚类初始聚类中心自动选取方法，其特征在于，包括以下步骤：

步骤1：初始化一个大小为256的数组count，count[i]为灰度值i在给定灰度图像中的出现次数，其中，i为整数且0≤i≤255；

步骤2：计算各灰度值i的局部密度P_i；

$P_i={\Sigma }_{j=\max (i-b,0)}^{\min (i+b,255)}count\left[j\right]$

其中，b为计算局部密度时的灰度值带宽；

步骤3：初始化一个大小为256的数组minDist，将任一个局部密度小于给定图片全部像素点数目预设比例的灰度值i对应的minDist[i]设置为0，将局部密度最大的灰度值m所对应的minDist[m]设置为256，将其余灰度值j所对应的minDist[j]设置为局部密度大于P_j且与j最接近的灰度值k和j之间的差值的绝对值，即|k-j|；

步骤4：令除去局部密度最大的灰度值m后所有灰度值i所对应的minDist[i]组成集合D，找到一个阈值τ将集合D的元素划分成两组，使得最大化，其中μ₁和μ₂分别为较大一组元素和较小一组元素的均值，σ₁＝∑_k>τ,k∈D(k-μ₁)²，σ₂＝∑_k≤τ,k∈D(k-μ₂)²；

步骤5：返回minDist[i]大于τ的所有灰度值i作为在给定灰度图上运行模糊C-均值聚类算法的初始聚类中心。

作为优选，步骤2中，1≤b≤10，且为正整数。

作为优选，步骤3中所述预设比例的取值范围为[1％，10％]。

作为优选，步骤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。

本发明在进行图像分割的时候，能够为模糊C-均值算法自动确定聚类中心数目并自动选择初始聚类中心，可有效改善随机选择初始聚类中心带来的模糊C-均值聚类所需迭代次数过多、聚类结果易于陷入局部最优解的问题，从而提升图像分割的运行效率和分割质量。

附图说明

图1：本发明实施例的流程图；

图2：本发明实施例的进行图像分割的灰度图；

图3：本发明实施例的给定灰度图中各灰度值i的出现次数count[i]示意图；

图4：本发明实施例的给定灰度图中各灰度值i的局部密度P_i示意图；

图5：本发明实施例的给定灰度图中各灰度值i的minDist[i]示意图；

图6：本发明实施例的采用的阈值τ对minDist[i]划分的结果示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

在对灰度图像分割过程中，依据的主要图像特性是像素点的灰度值，而灰度值的取值范围为[0,255]，故对灰度图像的分割就转变为对一个取值范围为[0,255]的数据集进行聚类分割。在聚类分割的过程中，由于各真正的聚类中心(如取值在[0,255]的某个灰度值i)往往局部密度(即灰度值等于或约等于i的像素点个数)较高，且一般远离其他聚类中心，所以本发明所提出的面向图像分割的模糊C-均值聚类初始聚类中心自动选取方法的基本思路是考察给定灰度图在各个灰度值上的局部密度，及其与其他局部密度峰值之间的距离，选取那些局部密度高且远离其他密度峰值的灰度值作为图像分割的初始聚类中心。

本发明提供的一种面向图像分割的模糊C-均值聚类初始聚类中心自动选取方法，对于给定的要进行图像分割的灰度图(如图2所示)，找到分割所需要的初始聚类中心。

请见图1，本发明包括以下步骤：

步骤1，初始化一个大小为256的数组count，其中count[i](i取值为0到255的正整数)设置为灰度值i在给定灰度图像中的出现次数。统计结果如图3所示。

步骤2，计算各灰度值i的局部密度Pi：

$P_i={\Sigma }_{j=\max (i-b,0)}^{\min (i+b,255)}count\left[j\right]$

其中，b为计算局部密度时的灰度值带宽，这里b＝3。计算结果如图4所示。

步骤3，初始化一个大小为256的数组minDist，将任一个局部密度小于给定图片全部像素点数目5％的灰度值i对应的minDist[i]设置为0，将局部密度最大的灰度值m所对应的minDist[m]设置为256，将其余灰度值j所对应的minDist[j]设置为局部密度大于Pj且与j最接近的灰度值k和j之间的差值的绝对值，即|k-j|。设置完成后结果如图5所示。

步骤4，令除去局部密度最大的灰度值m后所有灰度值i(i≠m)所对应的 minDist[i]组成集合D，找到一个阈值τ将集合D的元素划分成两组，使得最大化，其中μ₁和μ₂分别为较大一组元素和较小一组元素的均值，σ₁＝∑_k>τ,k∈D(k-μ₁)²，σ₂＝∑_k≤τ,k∈D(k-μ₂)²。划分结果如图6所示。

步骤5，返回minDist[i]大于τ的所有灰度值i作为在给定灰度图上运行模糊C-均值聚类算法的初始聚类中心。

本发明可有效改善随机选择初始聚类中心带来的模糊C-均值聚类所需迭代次数过多、聚类结果易于陷入局部最优解的问题，从而提升图像分割的运行效率和分割质量。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。