基于快速全局K均值的自适应图像分割方法

摘要

本发明公开了一种基于快速全局K均值的自适应图像分割方法，主要解决现有技术自适应分割图像效果差和计算复杂度高的缺点，其实现步骤为：(1)读入一幅待分割的图像，提取待分割的图像的纹理特征；(2)设置图像聚类数c的搜索范围；(3)用改进后的快速全局K均值方法将纹理特征聚成c类，得到聚类中心；(4)计算每一个纹理特征属于每一类的隶属度；(5)根据隶属度和聚类中心计算聚类数为c，c-1，c-2分别对应的有效性指标L(c),L(c-1),L(c-2)；(6)若L(c-1)＞L(c-2)并且L(c-1)＞L(c)，则输出分割结果，否则，令c=c+1，返回步骤(3)。本发明与其他方法相比，计算复杂度低，自适应获得的最佳类别数和分割结果更准确，可用于对图像进行分割和聚类。

主权项

一种基于快速全局K均值的自适应图像分割方法，包括如下步骤：(1)输入一幅大小为R×Q的待分割的图像，总像素点个数为n，n＝R×Q，设置该待分割的图像聚类数c的搜索范围[c_min,c_max]，并令c＝c_min；(2)对待分割图像的每一个像素点，用M×M的窗口进行3层小波变换，提取纹理特征x_j,j＝1,...,n；(3)用改进后的快速全局K均值方法将提取的纹理特征x_j,j＝1,...,n聚成c类，得到聚类中心V＝{v₁,v₂,...,v_c}，v_i是每一类的聚类中心，i＝1,...,c：3a)计算所有纹理特征的均值，并将其作为第一类的初始聚类中心w₁，其中n为图像总像素点个数；3b)设置初始聚类中心的数目k：k＝1；3c)判断k+1是否大于图像聚类数c，如果k+1>c，则输出聚类中心V＝{v₁,v₂,...,v_c}，v_i是每一类的聚类中心，否则，进入下一步骤；3d)计算第t类中的每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)，d(x_θ,w_t)＝||x_θ‑w_t||²，其中，||·||表示取模，θ＝1,...,N_t，t＝1,...,k，N_t是第t类中所有纹理特征的个数；3e)根据第t类中的每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)，计算第t类的平均距离d_t：$d_t=\frac{\underset{\theta =1}{\overset{N_t}{\Sigma }}d(x_{\theta },w_t)}{N_t};$3f)根据第t类中的每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)及其平均距离d_t，计算第t类的半径γ_t：${\gamma }_t=d_t(1+\mathrm{ϵk}(\frac{\underset{1\le \theta \le N_t}{\max }\left(d(x_{\theta },w_t)\right)}{d_t}-1)),$其中，ε为常数，取值为ε＝0.001；3g)比较第t类中每一个纹理特征x_θ到其初始聚类中心w_t的距离d(x_θ,w_t)和半径γ_t的值，如果d(x_θ,w_t)＜γ_t，则保留该纹理特征，并标记为纹理特征x_β，否则，舍弃该纹理特征，β＝1,...,h，t＝1,...,k，h是保留的纹理特征的个数；3h)对保留的h个纹理特征，计算每一个保留纹理特征x_β与其他纹理特征x_α的距离q_β(x_α,x_β)：q_β(x_α,x_β)＝0.6||x_α‑x_β||²，α,β＝1,...,h,α≠β；3i)对保留的每一个纹理特征x_β，求出q_β(x_α,x_β)<g_β的所有纹理特征的均值y_β，其中，g_β是保留的纹理特征x_β与其所在类的初始聚类中心的欧氏距离；3j)计算每一个纹理特征均值y_β的评价值b_β，并将最大的b_β所对应的纹理特征均值y_β作为下一个类的初始聚类中心w_k+1，β＝1,...,h：$b_{\beta }=\underset{\delta =1}{\overset{h}{\Sigma }},\max (g_{\beta }-{\left|\right|y_{\beta }-y_{\delta }\left|\right|}^2,0);$3k)更新聚类中心：根据初始聚类中心w₁,w₂,…,w_k+1，用K‑means方法计算新的聚类中心v₁,v₂,...,v_k+1，令w_λ＝v_λ，λ＝1,2,...,k+1，并令k＝k+1，返回步骤3c)；(4)根据下式求出每一个像素点的纹理特征x_j属于第i类的隶属度u_ij：$u_{\mathrm{ij}}={\left({\left(\underset{f=1}{\overset{c}{\Sigma }}\frac{d_{i,j}}{d_{f,j}}\right)}^{\frac{2}{m-1}}\right)}^{-1},$其中d_i,j为x_j与第i类聚类中心v_i的欧氏距离，d_f,j为x_j与第f类聚类中心v_f的欧氏距离，f,i＝1,2,…,c，m是模糊参数，取m＝2；(5)根据隶属度u_ij和聚类中心V，计算聚类数为c，c‑1，c‑2分别对应的有效性指标L(c),L(c‑1),L(c‑2)：$L\left(z\right)=\frac{\underset{i=1}{\overset{c}{\Sigma }}\left(\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m\right){\left|\right|v_i-x\left|\right|}^2/(z-1)}{\underset{i=1}{\overset{c}{\Sigma }}\left(\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m\right){\left|\right|v_i-x\left|\right|}^2/(n-z)},z=c-2,c-1,c$其中，x中间变量，$x=\frac{\underset{i=1}{\overset{c}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{x}_j}{n};$(6)比较有效性指标L(c),L(c‑1),L(c‑2)的值，如果L(c‑1)>L(c‑2)且L(c‑1)>L(c)，则最佳类别数c_opt＝c‑1，并输出最佳类别数c_opt对应的分割结果，否则，令c＝c+1，转至步骤(3)。