改進(jìn)的模糊C-均值聚類對噪聲圖像的分割.pdf

1、圖像分割的研究自20世紀(jì)70年代起一直受到人們的高度重視，是圖像技術(shù)研究的熱點(diǎn)和焦點(diǎn)。圖像分割在實(shí)際中已得到廣泛的應(yīng)用，幾乎涉及有關(guān)圖像處理的所有領(lǐng)域，應(yīng)用于這種類型的圖像。圖像分割通常是為了進(jìn)一步對圖像進(jìn)行分析、識別、跟蹤、理解、壓縮編碼等，分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性，具有十分重要的意義。 模糊C-均值(FCM)聚類分割算法是基于對模糊目標(biāo)函數(shù)的優(yōu)化基礎(chǔ)上的一種數(shù)據(jù)聚類方法，主要目的在于將向量空間的樣本點(diǎn)按照某種距離

2、度量劃分成c個子空間，聚類的結(jié)果特征是一個數(shù)據(jù)對聚類中心的隸屬程度，該隸屬度用一個數(shù)值來表示。但是FCM聚類算法本身也存在一定的缺陷。一方面FCM的抗噪功能或者說魯棒性較差，利用FCM算法進(jìn)行圖像分割時僅利用了灰度信息，而沒有考慮像素的空間信息，因而分割模型是不完整的，造成FCM算法只適用于分割噪聲含量很低的圖像。另一方面，F(xiàn)CM聚類分割方法容易造成對圖像的過分割。本文從圖像像素的空間信息和灰度關(guān)聯(lián)性對圖像進(jìn)行分割，主要涉及兩個方面的內(nèi)

3、容： 一、提出一種改進(jìn)的FCM聚類算法。在快速的FCM聚類的基礎(chǔ)上，運(yùn)用鄰域像素的灰度相似度和聚類分布統(tǒng)計(jì)來構(gòu)造新的隸屬函數(shù)，對圖像進(jìn)行聚類分割。該方法不僅有效地抑制了噪聲和偽斑點(diǎn)的干擾，而且把錯分類的像素很容易的糾正過來。對三種類型的含噪圖像的實(shí)驗(yàn)結(jié)果表明該方法對噪聲具有很強(qiáng)的魯棒性和對像素聚類的正確性。 二、對低對比度噪聲圖像進(jìn)行分割。首先去除噪聲、增強(qiáng)對比度，運(yùn)用了粗集理論的分類知識，對圖像進(jìn)行合理的分類，有效濾除