基于快速全局K均值的自適應(yīng)圖像分割方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于快速全局K均值的自適應(yīng)圖像分割方法，主要解決現(xiàn)有技術(shù)自適應(yīng)分割圖像效果差和計(jì)算復(fù)雜度高的缺點(diǎn)，其實(shí)現(xiàn)步驟為：(1)讀入一幅待分割的圖像，提取待分割的圖像的紋理特征；(2)設(shè)置圖像聚類數(shù)c的搜索范圍；(3)用改進(jìn)后的快速全局K均值方法將紋理特征聚成c類，得到聚類中心；(4)計(jì)算每一個(gè)紋理特征屬于每一類的隸屬度；(5)根據(jù)隸屬度和聚類中心計(jì)算聚類數(shù)為c，c-1，c-2分別對應(yīng)的有效性指標(biāo)L(c),L(c-1),L(c-2)；(6)若L(c-1)＞L(c-2)并且L(c-1)＞L(c)，則輸出分割結(jié)果，否則，令c=c+1，返回步驟(3)。本發(fā)明專利技術(shù)與其他方法相比，計(jì)算復(fù)雜度低，自適應(yīng)獲得的最佳類別數(shù)和分割結(jié)果更準(zhǔn)確，可用于對圖像進(jìn)行分割和聚類。

【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于圖像處理
，尤其涉及圖像分割方法，可用于對圖像進(jìn)行分割和聚類。
技術(shù)介紹
圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程，它是由圖像處理到圖像分析的關(guān)鍵步驟，是一種基本的計(jì)算機(jī)視覺技術(shù)。圖像分割問題也可看成是對象的分類問題，所以可以使用模式識別中的模式分類技術(shù)。用特征空間聚類法進(jìn)行圖像分割是將圖像空間中的像素用對應(yīng)的特征空間點(diǎn)表示，根據(jù)它們在特征空間的聚集對特征空間進(jìn)行分割，然后將它們映射回原圖像空間，得到分割結(jié)果。其中K均值、模糊均值聚類算法是最常用的聚類算法。K-均值聚類算法由于其算法思想簡單，又容易實(shí)現(xiàn)對大規(guī)模數(shù)據(jù)集的聚類，因此該算法已成為一種最常用的聚類算 法之一。然而K-均值聚類算法中有兩個(gè)值得共同關(guān)注的問題，即過分依賴于初始中心點(diǎn)的選取和聚類數(shù)的自適應(yīng)確定。針對選取初始中心點(diǎn)的問題，出現(xiàn)了各種基于全局最優(yōu)化思想的K-均值聚類算法，比如模擬退火算法、遺傳算法等。然而這些技術(shù)并沒有得到廣泛認(rèn)可。2003年Likas等人提出了全局K-均值聚類算法，但是該算法計(jì)算量大，時(shí)間性能較差，為此在他的文章中又給出了快速全局K-均值聚類算法，但是該算法仍然存在空間復(fù)雜度高和時(shí)間復(fù)雜度高的問題，并不適用于數(shù)據(jù)量大的數(shù)據(jù)集。聚類數(shù)的自適應(yīng)確定一直是聚類有效性研究的重要課題。通常，確定最佳聚類數(shù)的核心環(huán)節(jié)是聚類有效性指標(biāo)的選擇。聚類有效性指標(biāo)用來評價(jià)聚類結(jié)果，確定最佳聚類數(shù)。多年來，很多學(xué)者提出了評估最佳聚類數(shù)的有效性指標(biāo)。如基于全部樣本的類內(nèi)離差矩陣和類間離差矩陣測度的Calinski-Harabasz指標(biāo)，基于樣本的類內(nèi)散度與各聚類中心間距離測度的Davies-Bouldin指標(biāo)，基于數(shù)據(jù)集本身的結(jié)構(gòu)和模糊隸屬度的性質(zhì)的Xie-Beni指標(biāo)等等。這些指標(biāo)計(jì)算簡單并且易于使用，在許多領(lǐng)域獲得了成功應(yīng)用。但是，它們對一些復(fù)雜聚類結(jié)構(gòu)的評價(jià)效果并不理想，因而很難得到正確的最佳聚類數(shù)。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于針對現(xiàn)有技術(shù)的不足，提出一種基于快速全局K均值的自適應(yīng)圖像分割方法，以降低空間復(fù)雜度高和時(shí)間復(fù)雜度高，獲得最佳聚類數(shù)，提高分割效果。為實(shí)現(xiàn)上述目的，本專利技術(shù)包括如下步驟(I)輸入一幅大小為RXQ的待分割的圖像，總像素點(diǎn)個(gè)數(shù)為n，n = RX Q，設(shè)置該待分割的圖像聚類數(shù)C的搜索范圍[cmin，CfflaJ，并令C = Cfflin ;(2)對待分割圖像的每一個(gè)像素點(diǎn)，用MXM的窗口進(jìn)行3層小波變換，提取紋理特征 Xj，j = I，· · ·，η ;(3)用改進(jìn)后的快速全局K均值算法將提取的紋理特征Xj，j = 1，. . .，η聚成c類，得到聚類中心V = Iv1, v2, . . , V。}, Vi是每一類的聚類中心，i = I, . . .，c ;(4)根據(jù)下式求出每一個(gè)像素點(diǎn)的紋理特征Xj屬于第i類的隸屬度Uij本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于快速全局K均值的自適應(yīng)圖像分割方法，包括如下步驟：(1)輸入一幅大小為R×Q的待分割的圖像，總像素點(diǎn)個(gè)數(shù)為n，n＝R×Q，設(shè)置該待分割的圖像聚類數(shù)c的搜索范圍[cmin,cmax]，并令c＝cmin；(2)對待分割圖像的每一個(gè)像素點(diǎn)，用M×M的窗口進(jìn)行3層小波變換，提取紋理特征xj,j＝1,...,n；(3)用改進(jìn)后的快速全局K均值方法將提取的紋理特征xj,j＝1,...,n聚成c類，得到聚類中心V＝{v1,v2,..,vc}，vi是每一類的聚類中心，i=1，...,c；(4)根據(jù)下式求出每一個(gè)像素點(diǎn)的紋理特征xj屬于第i類的隸屬度uij：uij=((Σf=1cdi,jdf,j)2m-1)-1,其中di,j為xj與第i類聚類中心vi的歐氏距離，df，j為xj與第f類聚類中心vf的歐氏距離j＝1,2,...,n，f，i=1,2,...,c，m是模糊參數(shù)，取m=2；(5)根據(jù)隸屬度uij和聚類中心V，計(jì)算聚類數(shù)為c，c？1，c？2分別對應(yīng)的有效性指標(biāo)L(c),L(c？1),L(c？2)：L(z)=Σi=1c(Σj=1nuijm)||vi-x||2/(z-1)Σi=1c(Σj=1nuijm)||vi-x||2/(n-z),z=c-2,c-1,c其中，x中間變量，x=Σi=1cΣj=1nuijmxjn;(6)比較有效性指標(biāo)L(c),L(c？1),L(c？2)的值，如果L(c？1)＞L(c？2)且L(c？1)＞L(c)，則最佳類別數(shù)copt＝c？1，并輸出最佳類別數(shù)copt對應(yīng)的分割結(jié)果，否則，令c=c+1，轉(zhuǎn)至步驟(3)。...

【技術(shù)特征摘要】
1.一種基于快速全局K均值的自適應(yīng)圖像分割方法，包括如下步驟 (1)輸入一幅大小為RXQ的待分割的圖像，總像素點(diǎn)個(gè)數(shù)為n，n= RXQ，設(shè)置該待分割的圖像聚類數(shù)C的搜索范圍[cmin, CmaJ ,并令C = Cmin ; (2)對待分割圖像的每一個(gè)像素點(diǎn)，用MXM的窗口進(jìn)行3層小波變換，提取紋理特征Xj，J 1，· · ·，η ； (3)用改進(jìn)后的快速全局K均值方法將提取的紋理特征\，j= 1，...，η聚成c類，得到聚類中心V = ...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王爽，侯小瑾，趙麗，劉亞超，劉坤，馬文萍，馬晶晶，張濤，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：