本發明專利技術公開了一種具備遷移學習能力的模糊聚類圖像分割方法。該方法以經典的模糊C均值算法作為研究對象，針對模糊C均值算法在面對帶噪聲的圖像時抗噪聲能力弱的缺陷，提出了一種具備遷移學習能力的模糊聚類圖像分割方法。此圖像分割方法在處理新的圖像時，特別針對含噪聲污染的圖像，該方法能夠有效地學習利用以往大量的相似圖像通過模糊C均值算法所總結得到的可靠的聚類知識，該類知識一般被描述為聚類中心，通過將上述可靠知識引入到當前的新圖像分割任務中可以有效地引導當前的聚類任務的完成并起到抗噪的效果，進而獲取更為精準的聚類中心及更為精確的圖像分割結果。
【技術實現步驟摘要】
本專利技術屬于圖像處理及應用領域，具體是。
技術介紹
遷移學習理論自1995年被提及以來，在機器學習領域生產了巨大的影響。該方法顛覆了傳統的機器學習方法，使得機器學習更為智能化(Pan J. L. , YangQ. , A Survey onTransfer Learning. IEEE Transactions on Knowledge and DataEngineering,10,2010 1345-1359)。其具體的表現在于,利用該理論在建立模型時會考慮以往已有的相似模型,將以往的模型作為參照體，而后再結合當前的環境進行建模，這樣的新型建模方法將大大提高前期的建模效率，并且有效地合理地利用歷史儲備也有助于模型初期的穩定性，比起傳統的不考慮歷史相似場景只考慮當前場景，全部從“零”開始的建模方法而言，該種策略來的更加快速有效。并且該種建模方法與人類的認知過程也是一致的，正如我們所知人在認·知A’事物時，往往會借助A事物來進行遷移學習(注A’與A存在某種相似性)，具體的例子有當人在認知“梨”這個概念時，一般會借用以往對“蘋果”的認識來進行遷移再學習，這大大提高了認知的速度以及準確率。同樣，對于機器學習而言，融入該策略之后，將使得傳統的機器學習方法變得更為智能化。模糊C均值算法(Fuzzy Cneans,簡稱FCM)是一種經典聚類分析方法,其目的在于將一個未被標記的樣本集合按照某種準則劃分成若干類，并且規定同一類中的樣本點盡量的相似，不同類中的樣本點盡可能的不同。采用此類樣本分析方法，可以定量地確定出樣本之間的遠近關系，進而達到對該樣本進行合理分類與分析的目的。這種聚類技術及其改進技術經常被運用于圖像處理領域(Zhu L.，Chung F. L.，Wang S. T.，Generalized FuzzyC-Means ClusteringAlgorithm With Improved Fuzzy Partitions. IEEE Transactionson Systems Man andCybernetics, 39, 2009 :578-591)。但該技術由于忽略了樣本的空間信息導致了該類技術在面對受到噪聲污染的圖像時分割的精度常常不能令人滿意。針對此種場景，相關的改進技術方案也較多，一般的方案均采用先對圖像降噪，而后再利用模糊C均值算法對該處理完的圖像進行聚類分析，這種方案在當前的圖像處理領域內應用也較為廣泛，但是此種做法由于選用的去噪算法的不同通常會在去噪的過程中造成圖像信息的損失，從而破壞整個圖像的信息成分，造成圖像的分割精度不高的現象。找到一種能夠不受去噪算法影響，最大限度的保留圖像信息成分的方案是當前丞待解決的一個技術熱點。
技術實現思路
本專利技術的目的在于在不使用任何去噪算法對圖像進行預處理的前提下，利用遷移學習的理論，通過有效地的利用大量的歷史相似圖像經FCM算法總結得到的歷史知識來引導當前的圖像處理任務，從而提高FCM算法的抗噪能力。按照本專利技術提供的技術方案，所述具備遷移學習能力的模糊聚類圖像分割方法，包含如下步驟I、遷移學習能力的模糊聚類圖像分割方法，其特征是，包含如下步驟步驟一利用歷史儲備圖像通過經典FCM算法得到歷史聚類中心權利要求1.遷移學習能力的模糊聚類圖像分割方法，其特征是，包含如下步驟 步驟一利用歷史儲備圖像通過經典FCM算法得到歷史聚類中心2.如權利要求I所述具備遷移學習能力的模糊聚類圖像分割方法，其特征是，步驟二所述之類中心V及隸屬度U的優化求解步驟包括 (I)利用式(4)以及其附帶的隸屬度約束條件= I，利用經典的數學方法-拉格朗日 條件極值法令一gf! = G可求得隸屬度μ ij對應的迭代求解公式3.如權利要求I所述具有類人學習能力的TSK模糊系統建模方法，其特征是，目標函數式⑷本質上可以分為兩個部分第一個部分為經典FCM方法聚類項4.如權利要求3所述具備遷移學習能力的模糊聚類圖像分割方法，其特征是，所述目標函數的第二部分5.如權利要求3所述具備遷移學習能力的模糊聚類圖像分割方法，其特征是，遷移學習項全文摘要本專利技術公開了。該方法以經典的模糊C均值算法作為研究對象，針對模糊C均值算法在面對帶噪聲的圖像時抗噪聲能力弱的缺陷，提出了。此圖像分割方法在處理新的圖像時，特別針對含噪聲污染的圖像，該方法能夠有效地學習利用以往大量的相似圖像通過模糊C均值算法所總結得到的可靠的聚類知識，該類知識一般被描述為聚類中心，通過將上述可靠知識引入到當前的新圖像分割任務中可以有效地引導當前的聚類任務的完成并起到抗噪的效果，進而獲取更為精準的聚類中心及更為精確的圖像分割結果。文檔編號G06T7/00GK102881019SQ20121038417公開日2013年1月16日 申請日期2012年10月8日 優先權日2012年10月8日專利技術者鄧趙紅, 王士同, 蔣亦樟, 錢鵬江, 王駿 申請人:江南大學本文檔來自技高網...
【技術保護點】
遷移學習能力的模糊聚類圖像分割方法，其特征是，包含如下步驟：步驟一：利用歷史儲備圖像通過經典FCM算法得到歷史聚類中心JFCM(U^,V^)=Σi=1CΣj=1Nμijm||xj-vi||2---(1)st.μij∈[0，1]and1≤j≤N其中C為聚類數，N為樣本總數，為第i類的中心點，μij表示第j個樣本屬于i類的隸屬度，其中模糊指數m必須滿足m＞1，xj表示第j個樣本點.為了得到最優的歷史聚類中心以及歷史隸屬度利用拉格朗日條件極值的優化理論可以得到如下的迭代表達式：vi=Σj=1NμijmxjΣj=1Nμijm---(2)μij=1Σk=1C[||xj-vi||2||xj-vk||2]1m-1---(3)根據以上兩式迭代優化終止后可獲取歷史相似圖像的聚類中心步驟二：在處理新的帶噪的圖像處理任務時，在經典FCM算法的基礎上融入從步驟一中得到的相關歷史相似圖像的聚類中心本方案構造出一個引入遷移學習機制的FCM算法之新目標函數JT？FCM，其具體形式如下：JT-FCM(U,V,V^,Xcurrent)=Σi=1CΣj=1Nμijm||xj-vi||2+λ·Σi=1CΣj=1Nμijm||vi-v^i||2---(4)st.μij∈[0，1]and1≤j≤N其中，其中C為聚類數，N為樣本總數，為第i類的中心點，μij表示第j個樣本屬于i類的隸屬度，其中模糊指數m必須滿足m＞1，xj表示第j個樣本點，Xcurrent表示當前的圖像樣本，U表示為當前圖像的隸屬度矩陣，V表示為當前圖像的聚類中心，表示為歷史相似圖像的的聚類中心由步驟一獲得，λ為歷史知識使用程度值，可人工調控；步驟三：利用通過步驟二獲取的當前圖像的聚類中心V及隸屬度U，在利用下述公式進行去模糊化之后即可得到當前圖像處理任務的空間劃分結果ΘΘij=1if(μij=max(μj))0others---(5)其中，μij表示第j個樣本屬于i類的隸屬度，μi表示第j個樣本屬于各類的隸屬度，Θij表示第j個樣本屬于i類的空間劃分結果，進而得到圖像的分割結果。FSA00000787711200011.tif,FSA00000787711200013.tif,FSA00000787711200014.tif,FSA00000787711200015.tif,FSA00000787711200016.tif,FSA00000787711200019.tif,FSA000007877112000110.tif,FSA000007877112000112.tif,FSA000007877112000113.tif,FSA000007877112000114.tif...
【技術特征摘要】
【專利技術屬性】
技術研發人員：鄧趙紅，王士同，蔣亦樟，錢鵬江，王駿，
申請(專利權)人：江南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。