聚类分割

聚类分割法[2][6]聚类就是按照一定得要求和规律对事物进行区分和分类的过程，一般要求给出要分割聚类数和各初始聚类中心。经典的聚类分割法包括C均值聚类法和模糊C均值聚类法。聚类分割法的优点是不需要先验知识，属于无监督分割法，大大提高了分割的自动化程度，同时提高了分割的效率。缺点是，所有典型的聚类分割法都对初始值敏感，分割效果不稳定。另外由于没有考虑图像空间上下文间信息，所以分割效果不甚理想C均值法（K均值法）这种方法要求每一个体数据都只能且必须属于一类。给定初始分类数和聚类中心，迭代进行，最后收敛至极值点，达到分割的效果。以下为将脑部MR图像分为背景，白质，灰质，脑脊液四类时的结果，由于给的初始值不同，所以收敛情况不同，相应的得到了不同的结果，可以对比选出最好的情况。（未处理图片来自文献[5]）模糊C均值分割法图像是变幻莫测的，不同类别的区域很多没有明确界限，你很难说某一个像素属于哪一类[3]。并且由于C均值法只适用于致密型分布的分割，而对于壳型分布等复杂分布处理效果不理想[2]，而此时模糊数学就派上了用场，将模糊理论运用于聚类识别中就产生了经典的模糊C均值法。模糊分割算法属于基于函数最优化的分类方法。大多数的模糊聚类算法都是通过使代价函数最小得到的下面演示了用模糊C均值法对脑部MR头像分割的效果图，跟前面一样，这里分为白质，灰质，背景，脑脊液四类。上图为原图，下图为处理过后的效果图。