基于种子集的半监督rflicm聚类的图像分割方法
【专利摘要】本发明涉及一种基于种子集的半监督RFLICM聚类的图像分割方法,其特征是:至少包括如下步骤:步骤101:开始基于种子集的半监督RFLICM聚类的图像分割方法;步骤102:导入待分割的图像,标记为A;步骤103:对图像A进行加噪处理;步骤104:对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类,该聚类为图像的最终分割结果;步骤105:结束基于种子集的半监督RFLICM聚类的图像分割方法。该方法不仅体现了半监督聚类在聚类过程中的优势,而且利用了RFLICM算法加入局部空间信息和灰度信息,所以此算法能够利用更多的局部纹理信息,因此对噪声和轮廓具有很好的鲁棒性,且能很好的保留图像的细节,从而使得准确度大大改善。
【专利说明】基于种子集的半监督RFLICM聚类的图像分割方法
【技术领域】
[0001]本发明属于图像处理【技术领域】,涉及图像分割,特别是一种基于种子集的半监督RFLICM聚类的图像分割方法,可用于对噪声人工图像、自然图像和SAR图像进行目标识别和目标检测。
【背景技术】
[0002]聚类分析是数理统计中的一种多元分析方法,它是用数学方法定量地确定样本之间的亲疏关系,从而客观地划分其类型。而模糊聚类是一种基于模糊理论的聚类算法,它是将数据集中的数据根据其相对于聚类中心的隶属度进行分类。模糊c均值(Fuzzy C-Means, FCM)是一种常用的无监督聚类算法,已经在模式分类、医学图像分割等领域中得到了广泛应用。但是,由于标准的FCM聚类算法没有顾及像素的空间信息,从而使得该算法对噪声比较敏感。针对这个缺点,10年提出了改进的FCMjPFLICM (FuzzyLocal Information C-means)算法,这个算法以一种新的模糊方式加入局部空间信息和灰度信息,因此对噪声和轮廓具有很好的鲁棒性。但是如果中心像素和近邻像素属于非同质区域,这种算法可能影响聚类性能,所以后来又对其进行了改进,提出了 RFLICM(ReformulatedFLICM)聚类算法,但这些算法都属于无监督聚类算法,即根据数据集潜在的相似性和合适的测度对输入数据集进行聚类,但这种方法有时得不到好的分类结果。而监督分类需要大量的训练数据集来设计分类器,如果选择的训练数据集不足以估计分类的参数,得到的分类效果也不好。基于上述问题,近年出现的半监督聚类越来越引起人们的关注。
[0003]在现有的半监督聚类算法中,基于约束的方法被广泛采用。该方法使用少量监督信息约束聚类的搜索过程,指导算法向一个比较好的划分进行。其中的监督信息可以是约束对或者是样本的类别标记。而基于种子集的半监督聚类方法,一般使用少量labeled样本来指导聚类过程,但是如何更有效的使用这些信息,也是目前的研究方向。
[0004]由Dunn提出的FCM算法是一种最经典,也是目前使用最为广泛的模糊聚类算法,但由于FCM没有顾及像素的空间信息,因此对噪声和轮廓缺乏鲁棒性,其聚类效果较差。为了克服FCM聚类的缺点,提高聚类的效果,10年S.Krinidis和V.Chatzis提出了一种鲁棒性的模糊局部信息C均值聚类算法(FLICM),这个算法以一种新的模糊方式加入局部空间信息和灰度信息,因此对噪声和轮廓具有很好的鲁棒性,且能很好的保留图像的细节,而且提出的算法不需要调整任何参数。但是在一些情况下,这种算法使用空间距离来试图衡量近邻像素和中心像素的衰减程度可能不合理,因为中心像素和近邻像素可能属于非同质区域。针对以上提出的这个缺点,12年,公茂果等对其进行了修改,提出了 RFLICM聚类算法,本算法使用像素的局部系数来代替空间距离,此局部系数能够反应局部窗口的灰度值同质程度,而且由于局部窗口中每个像素的局部系数被计算,所以此算法能够利用更多的局部纹理信息,因此对噪声和轮廓具有很好的鲁棒性。但是由于它的初始聚类中心也是随机选择的,所以算法也易陷入局部最优。
【发明内容】
[0005]本发明的目的在于针对以上现有无监督聚类技术的不足,提出了一种基于种子集的半监督RFLICM聚类方法,该方法不仅体现了半监督聚类在聚类过程中的优势,而且利用了 RFLICM算法加入局部空间信息和灰度信息,所以此算法能够利用更多的局部纹理信息,因此对噪声和轮廓具有很好的鲁棒性,且能很好的保留图像的细节,从而使得准确度大大改善。
[0006]实现本发明目的的技术方案是:基于种子集的半监督RFLICM聚类的图像分割方法,其特征是:至少包括如下步骤:
[0007]步骤101:开始基于种子集的半监督RFLICM聚类的图像分割方法;
[0008]步骤102:导入待分割的图像,标记为A ;
[0009]步骤103:对图像A进行加噪处理;
[0010]步骤104:对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类,该聚类为图像的最终分割结果;
[0011]步骤105:结束基于种子集的半监督RFLICM聚类的图像分割方法。
[0012]所述的步骤104,包括如下步骤:
[0013]步骤201:开始对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类。
[0014]步骤202:初始化:给定有部分标记数据的数据集X=[Xb XJ,初始化c、m、迭代截止误差值ε、算法的最大迭代次数Tmax ;
[0015]步骤203:初始化模糊划分矩阵[V %丨]。其中,Ub是已标记数据Xb的化
分矩阵,取值按硬划分赋值。Uu是未标记数据Xu的模糊化分矩阵,按约束条件随机初始化。用标记数据Xb的加权平均来初始化聚类中心;
[0016]步骤204:设 b=0 ;
[0017]步骤205:使用以下式子更新聚类中心;
【权利要求】
1.基于种子集的半监督RFLICM聚类的图像分割方法,其特征是:至少包括如下步骤: 步骤101:开始基于种子集的半监督RFLICM聚类的图像分割方法; 步骤102:导入待分割的图像,标记为A ; 步骤103:对图像A进行加噪处理; 步骤104:对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类,该聚类为图像的最终分割结果; 步骤105:结束基于种子集的半监督RFLICM聚类的图像分割方法。
2.根据权利要求1所述的基于种子集的半监督RFLICM聚类的图像分割方法,其特征是:所述的步骤104,包括如下步骤: 步骤201:开始对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类;步骤202:初始化:给定有部分标记数据的数据集X=[Xb Xu],初始化c、m、迭代截止误差值ε、算法的最大迭代次数Tmax ; 步骤203:初始化模糊划分矩阵% = Wb;其中,Ub是已标记数据Xb的化分矩阵,取值按硬划分赋值;Uu是未标记数据Xb的模糊化分矩阵,按约束条件随机初始化;用标记数据Xu的加权平均来初始化聚类中心; 步骤204:设b=0 ; 步骤205:使用以下式子更新聚类中心;
【文档编号】G06K9/62GK103700108SQ201310733076
【公开日】2014年4月2日 申请日期:2013年12月24日 优先权日:2013年12月24日
【发明者】尚荣华, 焦李成, 李巧凤, 公茂果, 吴建设, 李巧兰, 李阳阳, 马文萍, 马晶晶 申请人:西安电子科技大学