基于自适应模糊聚类分析的图像分割算法研究

基于自适应模糊聚类分析的图像分割算法研究摘要：图像分割是数字图像处理研究的重要领域，也是其研究的热点问题之。图像分割是把图像分割成各具意义的区域，它对于图像特征提取、图像分析与描述、图像识别等具有重要意义。目前，有许多种图像分割方法，本文提出了两种基于自适应模糊聚类的图像分割算法。聚类分析是一种无监督分类法，在缺少先验知识时，图像分割可以通过聚类分析完成。本文讨论和分析了图像分割的研究现状，传统分割方法及其优缺点；针对聚类分析算法的特点进行了分析，着重研究了聚类算法及其在图像分割中的应用；在研究模糊C均值算法和均值漂移算法的基础上提出了两种自适应的图像分割算法。（1）传统的模糊C均值聚类算法对初始值敏感，不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。针对这些不足，本文将遗传算法引入到FCM算法中，提出了一种自适应初始值的FCM图像分割算法。利用遗传算法强大通用性，较好地解决了FCM算法对初始化敏感的问题，又能在一定程度上提高了图像分割的速度，获得了较好的分割结果。（2）均值漂移算法是一种统计迭代的核密度估计方法，用于图像分割时不需要任何先验知识，近年来在图像分割领域得到广泛的应用。但是均值漂移算法中带宽的选择对算法性能有较大的影响，采用固定带宽，如果带宽选择过大，可能会合并某些极值点。因此本文提出了一种自适应带宽的均值漂移图像分割算法，获得了高质量的分割效果。关键词：图像分割；聚类分析；自适应；模糊C均值；均值漂移Abstract:Imagesegmentationisanimportantresearchfieldofdigitalimageprocessing,andisoneofthehotissuesinthestudyofit.Imagesegmentationisjusttosegmentanimageintodifferentsub-imageswithdifferentcharacters.Itisimportantsignificanceforimagefeatureextraction,imageanalysisanddescription,imagerecognition.Atpresent,therearemanykindofimagesegmentationmethod.Thispaperputforwardtwobasedonadaptivefuzzyclusteringimagesegmentationalgorithm.Theclusteringanalysisisanunsupervisedclassificationmethod.Clusteringanalysisisalwayscarriedoutintheconditionwithnopre-knownknowledge.Inthispaper,thenclusteringalgorithmsandimagesegmentationbyclusteringwereresearchedindepthaccordingtothecharacteristicsofclustering.Throughselectionandimprovementofclusteringalgorithms,useFCMalgorithmsandMeanShiftalgorithm,twoimagesegmentationalgorithmsbasedonauto-adaptionclusteringanalysisareproposed.Themaincontentsofthethesisincludes:(1)FuzzyC-meansalgorithmisoneofthewidelyappliedfuzzyalgorithmsatpresent.Basedontheanalysisofadvantagesanddisadvantagesoftheself-adaptiveFCMimagesegmentationalgorithm,animprovedself-adaptivefuzzyC-meansclusteringalgorithmisproposed.Firstofall,themethodadoptsaninitialalgorithmtoassuretheinitialsearchingscopeofgeneticalgorithm.Thenimprovementsareappropriatelymadeonparameter.Lastlystepofthenewalgorithmisproposed.ThemethodsolvesthelimitationofconvergingtothelocalinfinitesimalpointinmedicalimagesegmentationandadoptstheinitialalgorithmtoassuretheinitialsearchingscopeofgeneticalgorithmwhichisbetteradaptivethanstandardgeneticalgorithmwithfuzzyC-meansclustering,speedinguptheconvergenceofgeneticalgorithm.Contrastwithresultsofexperiment,themethodisbetterthanstandardgeneticalgorithmfusedwithfuzzyC-meansclustering.(2)Meanshiftalgorithmisanonparametricstatisticalmethodforseekingthenearestmodeofapointsampledistribution.Adaptivebandwidthanalysismethodsareproposed.Theexperimentsprovethat,comparedwiththefixedbandwidthmeanshiftclusteringalgorithm,theproposedmethodcangetbetterclassificationresultsandhigherquality.Keywords:Imagesegmentation;Clusteranalysis;Auto-adaption;FuzzyC-meansalgorithm;Meanshift1.引言1.1研究背景及意义我们在生活中经常都会面临大量的信息需要表示和存储，而对这些信息的处理方式最主要的就是分类。人们在试图描述一些新的现象或者事物的同时，总是利用相似性或非相似性将它们与已经存在的现象或者事物进行比较，然后按照一定的准则将其分类，从而获得对新现象或新事物的认识和了解。而人类获取的这些信息中大部分是来自视觉的图像信息，在图像的研究中，我们可能只对所研究图像中的一些部分感兴趣，而所感兴趣的这部分一般对应图像中特定的、具有特殊性质的区域，称之为图像的目标或前景；其余的部分称为图像的背景。为了辨识和分析目标，常常需要把研究目标从图像中孤立出来，这就是图像分割要研究的问题。所谓图像分割，是根据图像的某些特征或特征集合（包括灰度、颜色、纹理等）的相似性准则对图像像素进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域中的像素特征是类似的，即具有一致性；而不同区域间像素的特征存在突变，即具有非一致性，如图1-1所示，是图像处理到图像分析的关键步骤，也是进一步图像理解的基础。图像理解图像分析图像处理参数测量目标表达特征提取与描述图像分割符号目标像素图1-1图像分割在图像工程中的地位图像分割结果的好坏将对图像分析和图像理解的结果造成很大影响，这是由于图像的分割、目标表达、特征提取和参数的测量是将原始图像转化为更抽象更紧凑的形式，所以只有对图像进行了准确的分割、目标表达、特征提取和参数测量，才能更好地进行更高层次的图像分析和理解。但是到目前为止，对图像分割评价方法和评价准则的研究仍然比较匮乏[1]。尽管研究者们提出了各种不同的分割算法，但是这些算法大都是针对具体问题的[2]，没有一种图像分割算法能够适用于所有的情况，如何完善图像分割仍然是计算机视觉中的一个研究热点，在图像分割技术研究中从原理和应用等方面进行深入研究，对于提高图像分析和图像处理技术的应用水平都有着十分重要的意义。1.2图像分割的研究现状图像分割在图像处理中起着关键的作用，很多算法也正不断被提出，但是，到现在还没有出现一个通用的理论能够适用于所有的图像。另外，也没有用来判断分割算法好坏或选择合适的分割算法的标准，这些都是目前研究分割技术所面临的实际问题。此外，就算是针对某一特定的实际应用，如何选择最合适的分割算法也是件复杂的事情，需要反复论证和反复试验。目前提出的经典算法有：阈值分割法[l]、区域增长法[1,3,4]、边缘检测方法[1,5]、基于小波变换的分割算法[3,6,7,8]、基于数学形态学的分割算法[1,3,6]、基于模糊数学的分割算法[1]、基于神经网络分割算法[9,10]、基于分形的图像分割算法[11]、基于信息论的图像分割方法[12,13]、基于智能算法的分割方法、基于图论的分割方法等。对图像分割的研究从其研究历史来看有下面几个趋势：（1）对现有的分割算法进行不断改进研究；（2）在研究中不断引入新方法或者新概念，同时把多种方法综合运用；（3）交互式分割研究的深入；（4）越来越重视特殊图像分割的研究，比如针对立体图像、彩色图像、运动图像、多光谱图像及视频图像的研究。1.3图像分割算法1.3.1基于阈值分割的方法图像阈值分割是一种比较常用的图像分割方法，它是利用图像中要研究的目标和背景在灰度特征上存在的差异，把图像看作具有不同灰度级的两类区域（目标和背景），从而选取一个合适的阈值，以确定图像中每一个像素是属于目标区域或者背景区域。超过阈值的像素灰度分配以最大灰度（或保留原灰度值），低于阈值的像素灰度分配以最小灰度值。这样就可以把目标从背景中分割出来。图1-2为简单阈值分割示意图：暗亮阈值背景目标图1-2简单阈值分割示意图直方图阈值分割方法的优点就是计算简单，不需要先验信息，对于直方图中谷峰特性比较明显的图像进行分割时有着较好的效果。但在实际应用中，图像的直方图往往比较粗糙，极大值和极小值的确定常会很困难，并且，当双峰间的谷比较平坦或属于单峰直方图时，要寻找合适的谷值点也不是件容易的事。因此，如果图像中没有明显的灰度差异，或者灰度值的范围重叠较大时，就难以得到准确的结果。1.3.2基于边缘检测的方法物体的边缘是以图像局部特征的不连续形式出现的，如灰度的突变、纹理结构的突变等。灰度图像的边缘检测就是要保留图像灰度值变化剧烈的区域，边缘连接就是从梯度图中的一个边缘点出发，搜索并检测每个像素和其直接邻域的状态，以决定该像素是否确实处于一个物体的边界上。其思想就是把邻近的边缘点连接起来形成一条闭合连通边界的过程，图1-3为基于边缘检测的分割流程示意图：边缘检测边缘连接边缘点边界图像图1-3基于边缘检测的分割流程图由于噪声的影响，检测到的边界通常可能会在某些点处发生间断。因此，边界检测包括了两个基本内容：首先提取出反映灰度变化的边缘点，然后去除某些边界点或填补边界间断点，并把这些边缘连接成完整的曲线。在图1-3中，边缘的连接分为局部策略和全局策略，局部策略法就是依靠其相邻边缘点的信息（如方向、位置等）进行边缘点连接，这类算法比较简单，但是对噪声较为敏感；全局策略法好与之相反，从全局的角度出发，在图像的较大范围内加以考虑，一般将图像的模型看成是MRF[14]。1.3.3基于区域分割的方法区域分割，就是根据事先约定好的相似性判断，直接取出若干特性相同或相近的像素的区域，而这些区域又与对象对应。（1）区域生长法其基本思想是：从被称作“生长点”（可以是单个像素，也可以是某个小区域）的地方开始搜索其邻域，