一种具备迁移学能力的模糊聚类图像分割方法

摘要

本发明公开了一种具备迁移学能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为研究对象，针对模糊C均值算法在面对带噪声的图像时抗噪声能力弱的缺陷，提出了一种具备迁移学能力的模糊聚类图像分割方法。此图像分割方法在处理新的图像时，特别针对含噪声污染的图像，该方法能够有效地学利用以往大量的相似图像通过模糊C均值算法所总结得到的可靠的聚类知识，该类知识一般被描述为聚类中心，通过将上述可靠知识引入到当前的新图像分割任务中可以有效地引导当前的聚类任务的完成并起到抗噪的效果，进而获取更为精准的聚类中心及更为精确的图像分割结果。

主权项

1.迁移学习能力的模糊聚类图像分割方法，其特征是，包含如下步骤：步骤一：利用历史储备图像通过经典FCM算法得到历史聚类中心$J_{\mathrm{FCM}}(\hat{U},\hat{V})=\underset{i=1}{\overset{C}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{\mu }_{\mathrm{ij}}^m{\left|\right|x_j-v_i\left|\right|}^2---\left(1\right)$st.μ_ij∈[0，1]and1≤j≤N其中C为聚类数，N为样本总数，为第i类的中心点，μ_ij表示第j个样本属于i类的隶属度，其中模糊指数m必须满足m＞1，x_j表示第j个样本点.为了得到最优的历史聚类中心以及历史隶属度利用拉格朗日条件极值的优化理论可以得到如下的迭代表达式：$v_i=\frac{\underset{j=1}{\overset{N}{\Sigma }}{\mu }_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{N}{\Sigma }}{\mu }_{\mathrm{ij}}^m}---\left(2\right)$${\mu }_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{C}{\Sigma }}{\left[\frac{{\left|\right|x_j-v_i\left|\right|}^2}{{\left|\right|x_j-v_k\left|\right|}^2}\right]}^{\frac{1}{m-1}}}---\left(3\right)$根据以上两式迭代优化终止后可获取历史相似图像的聚类中心步骤二：在处理新的带噪的图像处理任务时，在经典FCM算法的基础上融入从步骤一中得到的相关历史相似图像的聚类中心本方案构造出一个引入迁移学习机制的FCM算法之新目标函数J_T-FCM，其具体形式如下：$J_{T-\mathrm{FCM}}(U,V,\hat{V},X_{\mathrm{current}})=\underset{i=1}{\overset{C}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{\mu }_{\mathrm{ij}}^m{\left|\right|x_j-v_i\left|\right|}^2+\lambda ·\underset{i=1}{\overset{C}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{\mu }_{\mathrm{ij}}^m{\left|\right|v_i-{\hat{v}}_i\left|\right|}^2---\left(4\right)$st.μ_ij∈[0，1]and1≤j≤N其中，其中C为聚类数，N为样本总数，为第i类的中心点，μ_ij表示第j个样本属于i类的隶属度，其中模糊指数m必须满足m＞1，x_j表示第j个样本点，X_current表示当前的图像样本，U表示为当前图像的隶属度矩阵，V表示为当前图像的聚类中心，表示为历史相似图像的的聚类中心由步骤一获得，λ为历史知识使用程度值，可人工调控；步骤三：利用通过步骤二获取的当前图像的聚类中心V及隶属度U，在利用下述公式进行去模糊化之后即可得到当前图像处理任务的空间划分结果Θ${\Theta }_{\mathrm{ij}}=\left\{\begin{array}{cc}1& \mathrm{if}({\mu }_{\mathrm{ij}}=\max \left({\mu }_j\right))\\ 0& \mathrm{others}\end{array}\right.---\left(5\right)$其中，μ_ij表示第j个样本属于i类的隶属度，μ_i表示第j个样本属于各类的隶属度，Θ_ij表示第j个样本属于i类的空间划分结果，进而得到图像的分割结果。