一种基于局部邻域和全局信息的模糊c均值图像分割方法

摘要

本发明涉及一种基于局部邻域和全局信息的模糊c均值图像分割方法，通过将局部邻域因子和全局空间因子引入到传统的模糊C均值图像分割模型中，对待分割的图像进行分割。该方法通过对分割中心以及模糊隶属度的不断迭代来确定合理的分割效果，分割性能的好坏可以通过本发明所提出的有效性指标来衡量。本发明所提出的一种基于局部邻域和全局信息的模糊C均值图像分割方法，简单灵活，设备要求简单，并且具有较强的实用性。

主权项

一种基于局部邻域和全局信息的模糊c均值图像分割方法，其特征在于包括以下步骤：步骤S1：选定一个待分割的图像数据集，确定最小分割数c_min、最大分割数c_max、加权因子m、以及误差因子ε；其中满足2≤c_min＜c_max≤n，n表示的是数据集的过个数，1≤m＜∞；确定图像距离特征空间的度量方式，采用欧式特征空间距离、绝对值特征空间距离、曼哈顿特征空间距离、卡方特征空间距离以及综合特征空间距离；对待分割的图像的特征向量进行均衡化处理，并且初始化c＝c_min其中，c表示的是图像的分割数；步骤S2：初始化图像的分割中心v_i(i＝1,2....c)，并且计算相应的模糊隶属度；步骤S3：根据步骤S2计算新的图像分割中心，并且判断是否达到收敛条件；如果满足收敛条件的话，则计算当前条件下相应的有效性指标，令c＝c+1；如果不满足收敛条件，则重新迭代计算新的模糊隶属度，并以此计算新的图像分割中心；步骤S4：判断当前的分割数c是否大于c_max，如果满足该条件则对不同分割数下的有效性指标进行比较，选择最佳的分割结果；如果此时c＜c_max，则返回步骤S2继续执行相应的条件。