基于改进的FCM算法提取彩色图像有意义区域_贲志伟

40822010,31(18)

计算机工程与设计ComputerEngineeringandandDesign计算机工程与设计ComputerEngineeringDesign

基于改进的FCM算法提取彩色图像有意义区域

贲志伟，赵勋杰

(苏州大学物理科学与技术学院，江苏苏州215006)

摘

要：针对传统的FCM算法随机获取初始聚类中心与分类类别数的缺陷问题，提出了一种获取初始聚类中心与分类类别数的方法，并采用交叉熵测度准则进行FCM聚类，对彩色图像进行分割，提取有意义区域。实验结果表明，该方法不仅能够提高算法的聚类速度与算法的普适度，而且可以改善图像的聚类效果。与传统的FCM算法相比，该算法更易于实现彩色图像有意义区与背景的分离，分割效果令人满意。

关键词：模糊C均值聚类算法;彩色图像分割;交叉熵距离;特征散度距离;隶属度准则中图法分类号：TN919.8

文献标识码：A

文章编号：1000-7024(2010)18-4082-03

MeaningfulregionsegmentationbasedonimprovedFCMalgorithm

BENZhi-wei,

ZHAOXun-jie

(SchoolofPhysicsScienceandTechnology,SoochowUniversity,Suzhou215006,China)

Abstract：ConsideringtheshortcomingsoftraditionalFCMalgorithm,anewmethodisproposedtoselectinitialclusteringcenterandthenumberofclusters.Besidesthat,thetheoryofcross-entropydistanceisintroducedtooperateprocedureofFCMalgorithmtosegmentcolorimages.Experimentalresultsshowthat,thenewalgorithmnotonlyimprovestheinitialclusteringcenter,http://doc.guandang.netparingwiththetraditionalFCMalgorithm,thenewalgorithmcaneasilyrealizetheseparationofbackgroundandmeaningfulregion,andtheresultsaresatisfied.

Keywords：fuzzyC-meansclusteringalgorithm;colorimagesegmentation;cross-entropydistance;featurepergencedistance;degreeofmembershiprule

0引言

针对上述缺陷问题，本文提出了一种改进的FCM聚类算法，并将该方法应用于彩色图像有意义区域提取中，效果令人满意。

由于物体自身的复杂性，以及受光照、阴影和背景的影响，彩色图像有意义区域提取一直是基础性的难点问题。目前，提取彩色图像有意义区域常用的有两类方法[1]：一类是首先对图像进行自动聚类，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，得到有意义区；另一类则是简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引，最终获得有意义区。其中，以第一类方法使用居多。近年来，模糊聚类由于能够客观地描述样本类属的中介性，反映客观事物，已逐渐成为聚类分析的主流，广泛应用于彩色图像有意义区域提取中[2]。在众多

的模糊聚类算法中，模糊C均值聚类算法(FCM)应用最为广泛。然而在使用中，FCM算法也突出地表现出两个缺点[3]：①运行FCM算法时要求预先给出初始聚类中心与聚类数，而运行的效果严重依赖于初始聚类中心与聚类数，使得每次运行的结果有明显的不同；②由于FCM采用了经典的欧氏距离测度，从而导致算法对于非球形空间的数据聚类形式鲁棒性不够。

1经典的FCM算法简介

经典的模糊C均值聚类算法是一种基于平面划分的软C

均值聚类算法，其基本准则是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。其核心思想如下：把数据集X划分为c个模糊组，这c个模糊组用数据集K来表示，每个模糊组的初始聚类中心C随机获得，与聚类中心相似度较大的数据归为一类，此时描述数据相似与否的非相似性指标价值函数达到最小。其中：X={x1，x2，…，xn}，X为特征空间内一个有限的数据集；K={K1，K2，…，Kc}，Ki(i=1，…，

c)表示第i类的数据集合；C={c1，c2，…，cc}，C为初始聚类中心。

FCM算法定义模糊组i内的数据xj与相应聚类中心ci间的非相似性目标函数[4]为

(1)

式中：uij——数据集中第j个元素对模糊组i的隶属度，n——

收稿日期：2009-09-28；修订日期：2009-11-28。

基金项目：江苏省高校自然科学基金项目(06kja14003)。

作者简介：贲志伟(1984－)，男，江苏苏州人，硕士研究生，研究方向为彩色图分割与特征提取；赵勋杰(1960－)，女，辽宁朝阳人，教授，研究方向为人工智能与图像处理。E-mail：benzhiwei@http://doc.guandang.net

贲志伟，赵勋杰：基于改进的FCM算法提取彩色图像有意义区域

待聚类的元素总数，c——目标类别数(2≤c≤n)，m——模糊加权指数[5]，且m∈[1，∞]，本文m值取2，ci——模糊组i的聚类中2010,31(18)4083

心，dij=|x

j

通过最小二乘法，构造新的目标函数，如式(3)

所示

1

,…,

=

+

=

+

式中：

和

１

(2)

(3)

:

=

1

,

,

2

(4)

==1,2,

…,(7)

当样本集的各个数据取正值时，特征散度的各个分量满足非负性和同一性，且式(7)具有对称的特点。交叉熵距离对样本数据在特征空间的结构没有限制，所以使用交叉熵距离来度量数据集的相似性，能提高聚类算法的普适能力。

3彩色图像有意义区域的提取

由于通过均匀颜色空间内任意一点等距的地方，人的视

觉感受相同，所以我们提出在L*a*b*均匀颜色空间[7]内提取彩色图像有意义区域。L*分量表示图像的亮度，a*分量和b*分量分别表示图像的色差，图像中第i个像素和第j个像素在L*a*b*颜色空间的色彩差异可以用式(8)

来表示

2

+

2

(8)

(L*j，aj，bj)表示第j个像素在La*b*

颜色空间的三维坐标。

＝

２

＋

,

2

(9)

式中：

4

实验结果与分析

首先，我们分别对两幅24位真彩色图像进行了有意义区

域提取，实验原图为：图2(a)水立方夜景、图3(a)某驱逐舰。实验结果如图2、3所示，实验参数如表1所示。

通过实验，我们发现：本文所提——改进的FCM聚类算法，能够有效地提高图像分割的精度与普适度。这是因为利用图像直方图快速获取初始聚类中心的方法比较符合实际像素的分布模式；同时交叉熵距离的使用，克服了欧氏距离对球状数据分布的依赖。由图2(b)和图3(b)，可以看出传统的FCM算法假设样本数据在特征空间内呈球形(或椭球形)分布从而

聚类图像，类别以球状(或椭球状)向四周辐射，效果不甚理想。图2(c)和图3(c)分别为经过改进之后的FCM聚类效果图，类别不以球状数据为依赖且边缘清晰，效果令人满意。图2(d/e/f/g)和图3(d/e/f/g)分别为“水立方夜景”与“某驱逐舰”经改进

的FCM算法聚类后的类别提取图，各个类别层次感鲜明，图2(d/e/g)合成之后，最终得到所要提取的“水立方”区域，如图2(h)所示，该区域像素数为43512个，占原图的面积为41.39%；图3(e)直接为有意义区域，不需另外合成，该区域有效像素数为29136个，占原图的面积为16.94%。两幅图像最终提取出的有意义区边缘清晰，与背景完全分离，几乎没有重叠，效果令人满意。有意义区域像素数与面积分布情况的记录，对于图像的下一步理解具有重要意义。

为了进一步证明本文算法的优越性，紧接着，我们又对一幅低分辨率下的红绿蓝三波段遥感影像进行了有意义区域提取。实验结果如图4所示。

由图4，我们可以看出高邮湖浅 …… 此处隐藏：4537字，全部文档内容请下载后查看。喜欢就下载吧 ……