基于排序K-均值算法的灰度图像分割方法

摘要

本发明针对现有K-均值算法很难保留像素较多类别中图像细节的缺点，提出了一种基于排序K-均值算法的灰度图像分割方法。其实现步骤是：(1)读入一幅不含噪声的灰度图像G，并随机指定各个聚类中心；(2)统计读入的灰度图像G的直方图HL；(3)求解各灰度级到各聚类中心距离；(4)对各灰度级到各聚类中心距离进行排序；(5)对排序后的距离进行存储；(6)将每个灰度级分配到离其距离最近的聚类中心的类别中；(7)根据排序后的各灰度级到各聚类中心的距离更新聚类中心；(8)根据更新前后的聚类中心，判断是否达到迭代停止条件，如果达到迭代停止条件，聚类结束，并输出聚类结果，完成图像分割。本发明具有图像分割精度高的优点，可用于提取和获得灰度图像的细节信息。

主权项

一种基于排序K‑均值算法的灰度图像分割方法，包括如下步骤：(1)读入一幅不含噪声的灰度图像G，图像大小为256×256，随机指定各个聚类中心V：V＝(V₀,V₁,…,V_i)其中，V_i为第i类的聚类中心，i＝0,...,n‑1，n为聚类类别数；(2)定义灰度图像G的灰度直方图HL(l)：HL(l)＝n_l其中，l为灰度级，l＝0,...,255，n_l为灰度图像G中第l个灰度级的像素点总数；(3)计算图像灰度直方图中每个灰度级l到每个聚类中心V_i的欧式距离d_il：d_il＝|l‑V_i|；(4)针对每个聚类中心V_i，利用sort(d_il)函数对距离d_il由小到大进行排序；(5)用函数md_il存储排序后的每个灰度级到每个聚类中心V_i的距离d_il，md_il定义如下：${\mathrm{md}}_{\mathrm{il}}=\left\{\begin{array}{ccc}\underset{d_{{\mathrm{il}}_1}<d_{{\mathrm{il}}_2}}{\Sigma }& \mathrm{HL}\left(l_1\right)+1& \\ 1& \forall l_1& d_{{\mathrm{il}}_1}>d_{{\mathrm{il}}_2}\end{array}\right.$其中，l₁,l₂∈l，l₁≠l₂，表示灰度级l₁到聚类中心V_i的距离，表示灰度级l₂到聚类中心V_i的距离，i＝0,...,n‑1，n为聚类类别数，表示灰度级l₁到聚类中心V_i的距离小于灰度级l₂到聚类中心V_i的距离，HL(l₁)表示第l₁个灰度级的像素点总数；(6)根据步骤(5)中md_il的值，将每个灰度级分配到离其距离最近的聚类中心的类别中，即选取md_il的最小值min(md_il),i＝0,...,n‑1，将灰度级l归于V_i类，其中V_i是图像的第i类聚类中心，n为聚类类别数；(7)更新第i类聚类中心为以下值：${V_i}^{t+1}=\frac{1}{n_i}\underset{j\in n_i}{\Sigma }{v}_j$其中，j∈n_i，n_i是图像聚类中第i类的像素点总数，V_i是图像的第i类聚类中心，v_j是第i类中第j个像素点,V_i^t+1表示第t+1代的第i类聚类中心，t表示循环代数，t的取值范围为1‑19；(8)判断是否达到设定的循环结束条件，如果达到循环结束条件，则聚类结束，并输出聚类结果，完成图像G的分割，否则返回步骤(3)进行下一次循环。