基于自適應(yīng)模糊C-均值與機(jī)會(huì)約束支持向量機(jī)的圖像分割算法.pdf

1、圖像分割是圖像分析和模式識(shí)別中的重要問題.所謂圖像分割是指將圖像中具有特殊意義的不同區(qū)域區(qū)分開來，使這些區(qū)域互不相交，并且滿足一定的相似性準(zhǔn)則.目前已經(jīng)提出許多不同類型的圖像分割方法，如基于閾值、區(qū)域、邊緣等的分割方法.閾值法計(jì)算簡(jiǎn)單所以分割速度快，區(qū)域法在處理較均勻的圖像時(shí)效果理想，邊緣法適用于處理噪聲較小的圖像.隨著圖像分割理論的發(fā)展，出現(xiàn)了與特定理論結(jié)合的圖像分割方法，如模糊C-均值理論、支持向量機(jī)理論等.基于模糊C-均值理論的算

2、法是無監(jiān)督的分類算法，減少了人為的干擾.基于支持向量機(jī)的分割算法因?yàn)榫哂袕?qiáng)大的泛化能力所以只需較少的樣本點(diǎn)即可處理圖像分割問題.雖然由這兩類理論衍生的很多算法成功應(yīng)用于圖像分割問題中，但是仍存在一些問題:基于模糊C-均值理論的算法對(duì)參數(shù)很敏感，基于支持向量機(jī)的分割算法忽略了數(shù)據(jù)集不平衡及分類準(zhǔn)確度要求不同的問題.本文改進(jìn)了模糊C-均值理論和機(jī)會(huì)約束支持向量機(jī)理論并將其應(yīng)用于圖像分割.本文取得的結(jié)果可概括如下:
　　一、針對(duì)基于模糊

3、C-均值理論算法對(duì)參數(shù)敏感程度高的缺點(diǎn)及圖像不同區(qū)域采用同一參數(shù)值的不合理性，本文提出了基于局部噪聲檢測(cè)的自適應(yīng)模糊C-均值算法，簡(jiǎn)稱NDFCM.在新算法中，使用兩種圖像濾波方法處理圖像，兩種濾波方法的結(jié)合更有利于去噪和保留原圖像信息，平衡這兩種方法的參數(shù)是圖像像素為噪聲點(diǎn)的概率，此參數(shù)通過圖像每個(gè)鄰域中的灰度級(jí)數(shù)方差來計(jì)算，與人工設(shè)定參數(shù)值相比，本文參數(shù)的計(jì)算依據(jù)圖像自身的灰度特征，這大大提高了算法的自適應(yīng)性.實(shí)驗(yàn)結(jié)果表明，對(duì)于人工圖

4、像和實(shí)際圖像，NDFCM算法都能有效的處理分割問題.
　　二、針對(duì)許多分類工作中對(duì)每類正確分類的準(zhǔn)確度需求不同，而且很多分類器對(duì)噪聲太敏感的問題，本文在非線性可分的分類器中運(yùn)用軟分類，通過引入松弛變量ζ≥0提出結(jié)合核函數(shù)與軟分類的機(jī)會(huì)約束支持向量機(jī)算法，簡(jiǎn)稱KSCC-SVM.新算法通過核函數(shù)處理非線性可分的數(shù)據(jù)，通過軟分類降低分類器對(duì)噪聲的敏感度，通過機(jī)會(huì)約束控制正確分類的準(zhǔn)確度.在圖像預(yù)處理階段，本文采用FGFCM算法得到樣本的