模糊聚類算法在圖像分割中的應(yīng)用.pdf

1、圖像分割是指將圖像分成若干個(gè)具有獨(dú)特性質(zhì)的區(qū)域并提取感興趣區(qū)域的技術(shù)和過(guò)程，是完成圖像識(shí)別、目標(biāo)跟蹤等復(fù)雜處理任務(wù)的關(guān)鍵步驟.近年來(lái)，模糊C均值(FCM)聚類算法作為一種無(wú)監(jiān)督聚類算法，成功地應(yīng)用在數(shù)據(jù)分類和圖像分割等領(lǐng)域.該算法將模糊概念引入到圖像像素的隸屬度，使得FCM算法比傳統(tǒng)的k均值算法保留了更多的原始圖像信息，因此受到了廣泛的關(guān)注.它最早由Dunn提出，并由Bezdek將之推廣.然而傳統(tǒng)的FCM聚類算法在進(jìn)行圖像分割時(shí)要事先確

2、定聚類數(shù)目、聚類中心以及初始隸屬度矩陣，容易陷入局部極值，沒(méi)有考慮空間信息，導(dǎo)致對(duì)噪聲敏感.
　　本文將結(jié)合空間信息的模糊C均值聚類圖像分割算法作為重點(diǎn)研究對(duì)象.分析比較了幾種經(jīng)典結(jié)合空間信息的改進(jìn)FCM算法的優(yōu)缺點(diǎn)，并在鄰域加權(quán)的FCM算法(NWFCM)基礎(chǔ)上，提出了兩種改進(jìn)的鄰域加權(quán)FCM算法.NWFCM算法對(duì)噪聲的抗干擾性較弱，且相似性度量計(jì)算復(fù)雜度高，因此提出了DCT子空間的鄰域加權(quán)模糊C均值聚類方法.該方法首先結(jié)合分塊的

3、思想，對(duì)圖像塊進(jìn)行離散余弦變換(DCT)，建立了一個(gè)基于圖像塊局部信息的相似性度量模型;然后定義目標(biāo)函數(shù)中的歐式距離為鄰域加權(quán)距離;最后將該方法應(yīng)用于加噪的人工合成圖像、自然圖像和MR圖像.實(shí)驗(yàn)結(jié)果表明，該方法具有良好的分割效果，較強(qiáng)的抗噪性，同時(shí)計(jì)算復(fù)雜度也有所降低.
　　鄰域加權(quán)的模糊C均值聚類算法在進(jìn)行圖像分割時(shí)構(gòu)建的鄰域權(quán)值函數(shù)對(duì)圖像塊的中心像素關(guān)注度不高，導(dǎo)致對(duì)強(qiáng)噪聲敏感及邊緣紋理信息的處理粗糙，因此提出了一種結(jié)合小波變