基于像素数聚类的模糊C-均值灰度图像分割方法

摘要

本发明公开了一种基于像素数聚类的模糊C-均值灰度图像分割方法，主要解决灰度图像分割准确率低的问题。其实现步骤是：(1)读入一幅灰度图像并统计灰度直方图；(2)随机初始化聚类中心；(3)计算每个灰度级到每个聚类中心的欧式距离；(4)由欧式距离计算每个灰度级到每个聚类中心所包含的像素总个数；(5)由像素总个数判断每个灰度级的类别，得到分类结果；(6)由分类结果计算每类的灰度均值作为新聚类中心；(7)由新聚类中心计算隶属度矩阵；(8)由隶属度矩阵更新聚类中心；(9)重复步骤(3)到步骤(8)直到满足终止条件，输出更新后聚类中心；(10)由更新后聚类中心对灰度图像进行分类，得到分割结果图。本发明具有图像分割精度高的优点，可用于提取灰度图像的细节信息。

主权项

一种基于像素数聚类的模糊C‑均值灰度图像分割方法，包括如下步骤：(1)读入一幅不含噪声的灰度图像I，并统计灰度图像I的灰度直方图GH为GH＝{n_l,l＝0,1,...,255}，l是灰度图像I的灰度级，n_l是灰度级l的像素点个数；(2)根据灰度直方图GH随机初始化聚类中心C为C＝{c_i,i＝1,...,N}，c_i为第i类的聚类中心，N为灰度图像I的分割类别数；(3)根据聚类中心C计算每个灰度级l到每个聚类中心c_i的欧式距离d_il；(4)根据欧式距离d_il，计算每个灰度级l到每个聚类中心c_i所包含的小于该灰度级l到该聚类中心c_i的所有灰度级的像素点个数S_il：$S_{il}=\left\{\begin{array}{cc}\underset{k=0}{\overset{L}{\Sigma }}{n}_k,& d_{ik}<d_{il}\\ 1,& d_{ik}>d_{il}\end{array}\right.,$其中，n_k是灰度级为k的像素点的个数，d_ik是灰度级k到每个聚类中心c_i的欧式距离，d_il是灰度级l到聚类中心c_i的欧氏距离，L是灰度图像I中灰度级的总个数；(5)在像素点个数S_il中，以灰度级l为基准，找到灰度级l与每个聚类中心c_i的像素点个数S_il中最小的聚类中心c_f，并将灰度级l分到最小的聚类中心c_f所对应的第f类，由此得到分类结果G；(6)根据分类结果G，计算分类结果G中第i类的像素均值F，并将第i类的像素均值F作为第i类的聚类中心v_i，由此组成新聚类中心V为V＝{v_i,i＝1,....,N}；(7)根据新聚类中心V，用模糊C均值FCM方法对新聚类中心V进行更新操作，生成更新后聚类中心Z；(8)根据更新后聚类中心Z，计算每个灰度级l与聚类中心z_i之间的欧式距离w_il；(9)根据欧式距离w_il和灰度直方图GH，计算每个灰度级l到每个聚类中心z_i所包含的小于该灰度级l到该聚类中心z_i的所有灰度级的像素点个数P_il：$P_{il}=\left\{\begin{array}{cc}\underset{k=0}{\overset{L}{\Sigma }}{n}_k,& w_{ik}<w_{il}\\ 1,& w_{ik}>w_{il}\end{array}\right.,$其中，w_ik是灰度级k到每个聚类中心z_i的欧式距离，w_il是灰度级l到聚类中心z_i的欧氏距离；(10)在像素点个数P_il中，以灰度级l为基准，找到灰度级l与每个聚类中心z_i的像素点个数P_il中最小的聚类中心z_f，并将灰度级l分到最小的聚类中心z_f所对应的第f类，由此得到最终的分类结果。