CN101216890B - 一种彩色图像分割方法 - Google Patents

Abstract

本发明涉及一种彩色图像分割方法，包括：输入待分割图像并进行初始化设定，设定待分割图像的类别数目；使用多种不同的模糊聚类算法分别对该图像进行分割，相应得到多个隶属度矩阵；以该多个隶属度矩阵中的其中一个作为基准矩阵，对余下的其他隶属度矩阵分别配准各隶属度矩阵的类别标记，并按照配准后的类别标记对各隶属度矩阵进行重新配准排列，连同该基准矩阵而得到经配准后的隶属度矩阵；将所述经配准后的隶属度矩阵进行融合，得到一个融合后的隶属度矩阵，并根据该融合后的隶属度矩阵计算出每个象素点所对应的类别标记，从而实现图像分割。本发明利用多种模糊聚类算法对彩色图像进行分割，可有效提高图像分割的精度。

Description

一种彩色图像分割方法

技术领域

本发明涉及一种图像分割方法，尤其是涉及一种基于模糊聚类算法融合的彩色图像分割方法。

背景技术

随着计算机技术的发展，彩色数字图像在各行各业的应用日益广泛。彩色图像的分割提取是获得图像信息的重要途径和进行图像理解的基础，也是图像工程技术的重要问题。而模糊聚类是经典的模式识别技术，可以有效解决很多人工智能问题，但是目前的彩色图像分割技术很少采用模糊聚类技术，即使采用也只是仅仅采用一种模糊聚类算法进行图像分割，没有结合多种模糊聚类算法，因此，分割精度有待进一步提高。

发明内容

本发明的所要解决的技术问题在于提供一种基于模糊聚类算法融合的彩色图像分割方法，利用多种模糊聚类算法对彩色图像进行分割，以提高图像分割的精度。

为了实现上述目的，本发明提供一种彩色图像分割方法，包括：输入待分割图像并进行初始化设定，设定待分割图像的类别数目；使用多种不同的模糊聚类算法分别对该图像进行分割，相应得到多个隶属度矩阵；选择该多个隶属度矩阵中的其中一个作为基准矩阵，设定其类别标记并以之作为基准类别标记，其中，属于同一类别的象素点聚类为同一类别标记；对于余下的其他隶属度矩阵，分别设定每个隶属度矩阵的类别标记，并计算每个隶属度矩阵的类别标记中任意一个类别标记所对应的隶属度与该基准矩阵的每一个基准类别标记所对应的隶属度的距离，则该任意一个类别标记应配准设置为使该距离最小的基准类别标记；将余下的其他隶属度矩阵中的每个隶属度矩阵的类别标记都配准为相对应的基准类别标记，并参照配准结果，将余下的其他隶属度矩阵都参照该基准矩阵分别进行重新配准排列，连同该基准矩阵而获得多个经配准后的隶属度矩阵；收集经配准后的多个隶属度矩阵；计算该经配准后的多个隶属度矩阵中每个矩阵的平均互信息；计算每个矩阵的权重；将该经配准后的多个隶属度矩阵进行加权融合，得到一个融合后的加权隶属度矩阵；根据该融合后的加权隶属度矩阵，计算融合后图像中每个象素点的类别标记，完成图像分割。

优选地，所述使用多种不同的模糊聚类算法对该图像进行分割，得到多个隶属度矩阵的步骤包括：设定一种模糊聚类算法的初始参数；利用该模糊聚类算法对该图像进行分割，得到一个隶属度矩阵；重复多次上述步骤，利用多种不同的模糊聚类算法分别对该图像进行分割，相应得到多个隶属度矩阵。

优选地，所述进行配准的步骤中，该隶属度的距离满足：

$d\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\mathrm{\μ}}_k^{\left(1\right)}\left(x_i\right)-{\mathrm{\μ}}_l^{\left(t\right)}\left(x_i\right)\left|\right|}^2;$

其中，N为待分割图像的象素点数目；k、l表示类别；μ_k ⁽¹⁾(x_i)表示该基准矩阵(1)中第i个象素点属于第k类的隶属度；μ_l ^(t)(x_i)表示余下的其他隶属度矩阵中第(t)个矩阵的第i个象素点属于第l类的隶属度。

优选地，所述进行配准的步骤中，对于余下的其他隶属度矩阵，每个隶属度矩阵的类别标记中任意一个类别标记经配准后的类别标记满足：

$l_{\mathrm{opt}}=\underset{k}{\arg \min }\left\{d\left(k\right)\right\}.$

优选地，所述平均互信息Φ_t满足：

${\mathrm{\Φ}}_t=\frac{1}{\mathrm{NK}(M-1)}\underset{t=1,t\≠l}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_j^{\left(t\right)}{\left(x_i\right)}^{\′}{\mathrm{\μ}}_j^{\left(l\right)}{\left(x_i\right)}^{\′}};$

其中，M为使用的模糊聚类算法的数目；N为待分割图像的象素点数目；K为设定的类别数目；μ_j ^(t)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(t)个矩阵的第i个象素点属于第j类的隶属度；μ_j ^(l)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(l)个矩阵的第i个象素点属于第j类的隶属度。

优选地，每个配准后的隶属度矩阵的权重满足：

$w_t=\frac{Z}{{\mathrm{\Φ}}_t};$

其中t＝1，2，…，M；Z为归一化因子，使得

优选地，所述加权隶属度矩阵满足：

${\widehat{\mathrm{\μ}}}_j\left(x_i\right)=\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_j^{\left(t\right)}{\left(x_i\right)}^{\′}{w}_t;$

其中i＝1，2，…，N；j＝1，2，…，K；μ_j ^(t)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(t)个矩阵的第i个象素点属于第j类的隶属度。

优选地，所述每个象素点的类别标记满足：

$c\left(x_i\right)=\underset{j}{\arg \max }\left\{{\widehat{\mathrm{\μ}}}_j\left(x_i\right)\right\};$

其中该加权隶属度矩阵中每个象素点x_i的所对应的加权隶属度中的最大值所对应的类别j即为该象素点x_i的类别标记。

优选地，在进行图像分割之前还包括：对所输入的待分割图像进行预处理，除去图像中的噪声点。在完成图像分割之后还包括：对所述图像分割结果进行后处理，除去图像中的噪声点和/或合并图像中面积很小的区域。

本发明利用多种不同的模糊聚类算法对彩色图像进行分割，并将分割结果经配准后进行加权融合，从而得到融合后的分割结果，实现彩色图像的分割，有效地提高了图像分割的精度。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为本发明的彩色图像分割方法的流程图；

图2为本发明一较佳的基于多种模糊聚类算法融合的彩色图像分割方法的示意图。

具体实施方式

如图1所示，本发明的彩色图像分割方法主要是先通过初始化设定(步骤101)，对需要分割的彩色数字图像的类别数目、聚类算法的数目、以及聚类算法进行初始设定；然后利用多种不同的模糊聚类算法分别对图像进行分割处理(步骤102)，得到多个隶属度矩阵，即多个模糊聚类算法分别对图像进行分割得到的聚类结果；由于各个聚类结果是分别进行得到的，得到的隶属度矩阵的类别标记的顺序可能不同，因此，需要将每个模糊聚类算法得到的隶属度矩阵的类别标记进行配准(步骤103)，并按照配准结果进行重新排列，从而得到多个经配准后的隶属度矩阵；接着，对这些配准后的隶属度矩阵加权后进行融合，即融合配准后的聚类结果(步骤104)，得到一个融合后的加权隶属度矩阵，根据该加权隶属度矩阵可以计算出该图像中每个象素点的类别标记，从而实现对图像的分割。优选地，分割后的图像还可进行后处理(步骤105)，使分割结果更合理。

下面结合图2，以一教佳的实施例详细说明本发明的基于多种模糊聚类算法融合的彩色图像分割方法。

如图2所示，首先，输入待分割图像{I(x_i)}_i＝1 ^N，该图像中共有N个像素点，I(x_i)是象素点x_i的象素向量，并进行初始化设定，设定待分割图像的类别数目K、以及使用的M种模糊聚类算法。其中，所述M种模糊聚类算法可以使用M种完全不同的模糊聚类算法；也可以使用同一种模糊聚类算法，但是选择不同的初始化参数；或者是这两种情况的混合，总之，只要这M种算法不是完全相同就行。

优选地，本发明在输入该图像之后还可包括一预处理步骤，可以采用各种方法对该图像进行预处理，如图像平滑、滤波去噪等，以除去图像中的噪声，便于下面进行图像分割。

接着，使用M种不同的模糊聚类算法对输入的待分割图像进行分割，得到M个隶属度矩阵，对应于M种算法分别对该图像进行分割的结果。

在本实施例中，仅以同一种模糊聚类算法(例如模糊C均值聚类算法C_f)、选择不同的初始化参数的情况为例对本发明的方法进行说明，但不作为对本发明的限制。

对于M种不同的模糊聚类算法，采用如下操作：

(1)随机设定该模糊C均值聚类算法C_f的初始参数。其中，可以根据所采用算法的特点，设置不同的初始化参数。如果是选择M种完全不同的模糊聚类算法，则不需要该步骤。

(2)初始化参数设置好后，使用模糊C均值聚类算法C_f对输入图像进行分割。可以将图像中每个象素表示为一个五维向量[R，G，B，x，y]作为输入(也可以表示为三维向量[R，G，B])，这里R，G，B分别代表该象素的红色、绿色、蓝色分量值，x，y代表该象素的位置，经模糊C均值聚类算法C_f处理之后，输出隶属度矩阵[μ_j(x_i)]_K×N，其中μ_j(x_i)表示图像中第i个象素点属于第j个类别的隶属度(可以理解为第i个象素点属于第j个类别的可能性)。

(3)重复M次上述步骤(1)、(2)，即利用M种不同的模糊聚类算法完成对该图像进行分割，相应得到M个隶属度矩阵[μ_j ⁽¹⁾(x_i)]_K×N，[μ_j ⁽²⁾(x_i)]_K×N，…，[μ_j ^(M)(x_i)]_K×N，分别对应于上述M种算法分割得到的聚类结果。

然后，对得到的M个隶属度矩阵[μ_j ⁽¹⁾(x_i)]_K×N，[μ_j ⁽²⁾(x_i)]_K×N，…，[μ_j ^(M)(x_i)]_K×N进行配准。

可以采用参考文献1：“Cluster Ensembles：A Knowledge Reuse Frameworkfor Combining Multiple Partitions[J].Journal of Machine Learning Research，2003，3(3)：583-617”中的方法进行配准。此处只介绍一种实现方法：

将第一个隶属度矩阵μ_j ⁽¹⁾(x_i)]_K×N的类别标记作为配准的基准，设其类别标记分别为C₁ ⁽¹⁾，C₂ ⁽¹⁾，…，C_K ⁽¹⁾(即属于第k类的象素点标记为数字C_k ⁽¹⁾)。设余下的其他隶属度矩阵[μ_j ⁽²⁾(x_i)]_K×N，…，[μ_j ^(M)(x_i)]_K×N中，第t个隶属度矩阵的类别标记为C₁ ^(t)，C₂ ^(t)，…，C_K ^(t)，计算其中任意一个类别标记C_l ^(t)，l＝1，2，…，K，与第一个隶属度矩阵的第k类的类别标记C_k ⁽¹⁾对应的隶属度的距离：

$d\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\mathrm{\μ}}_k^{\left(1\right)}\left(x_i\right)-{\mathrm{\μ}}_l^{\left(t\right)}\left(x_i\right)\left|\right|}^2,k=\mathrm{1,2},...,K$ -------------------------公式(1)

并计算

则C_l ^(t)的类别标记应配准设置为例如，假设计算出的d(1)，d(2)，…d(K)中最小值为d(x)，则C_l ^(t)的类别标记应设置为C_x ⁽¹⁾。

将余下的其他隶属度矩阵中的每个隶属度矩阵的类别标记都配准为相对应的基准类别标记，并参照配准结果，将余下的其他隶属度矩阵[μ_j ⁽²⁾(x_i)]_K×N，…，[μ_j ^(M)(x_i)]_K×N都参照该基准矩阵重新配准排列，连同该基准矩阵μ_j ⁽¹⁾(x_i)]_K×N可获得的M个经配准后的隶属度矩阵：

[μ_j ⁽¹⁾(x_i)]_K×N′，[μ_j ⁽²⁾(x_i)]_K×N′，…，[μ_j ^(M)(x_i)]_K×N′。

最后，将配准后的M个隶属度矩阵[μ_j ⁽¹⁾(x_i)]_K×N′，[μ_j ⁽²⁾(x_i)]_K×N′，…，[μ_j ^(M)(x_i)]_K×N′进行加权融合，得到一个融合后的加权隶属度矩阵，并根据该加权隶属度矩阵计算出图像中每个象素点的类别标记，从而实现图像分割。

其中，主要包括：

1)按照下式计算每个配准后的隶属度矩阵的平均互信息Φ_t：

${\mathrm{\Φ}}_t=\frac{1}{\mathrm{NK}(M-1)}\underset{t=1,t\≠l}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_j^{\left(t\right)}{\left(x_i\right)}^{\′}{\mathrm{\μ}}_j^{\left(l\right)}{\left(x_i\right)}^{\′}}$ -----------------公式(2)

其中，M为使用的模糊聚类算法的数目；N为待分割图像的象素点数目；K为设定的类别数目；t＝1，2，…，M；μ_j ^(t)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(t)个矩阵的第i个象素点属于第j类的隶属度；μ_j ^(l)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(l)个矩阵的第i个象素点属于第j类的隶属度。

Φ_t的值越大，表示第(t)个隶属度矩阵所包含的与其他隶属度矩阵的不同的信息就越少，则该隶属度矩阵对于聚类融合结果的贡献越小。

2)计算每个配准后的隶属度矩阵的权重：

$w_t=\frac{Z}{{\mathrm{\Φ}}_t}$ ---------------------------------------------------公式(3)

其中t＝1，2，…，M；Z为归一化因子，使得

3)计算融合后的加权隶属度：

${\widehat{\mathrm{\μ}}}_j\left(x_i\right)=\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_j^{\left(t\right)}\left(x_i\right)w_t;$ -----------------------------公式(4)

其中i＝1，2，…，N；j＝1，2，…，K；μ_j ^(t)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(t)个矩阵的第i个象素点属于第j类的隶属度。

4)计算每个象素点x_i的类别，即对于每个i＝1，2，…，N，计算：

$c\left(x_i\right)=\underset{j}{\arg \max }\left\{{\widehat{\mathrm{\μ}}}_j\left(x_i\right)\right\}$ ------------------------------公式(5)

即该加权隶属度矩阵中每个象素点x_i的所对应的加权隶属度中的最大值所对应的类别j即为该象素点x_i的类别标记。例如，假设在该加权隶属度矩阵中，象素点x₁所对应的K个类别的加权隶属度分别为其中的最大值为

该最大值对应的下标L就是像素点x₁的类别标记。

完成该步骤后，输入图像中的每个象素点都获得了其对应的类别标记，也就完成了图像分割。如果需要，还可以对聚类结果进行后处理，比如去除噪声点(如孤立点)、合并面积很小的区域，后处理的意义在于，考虑到实际应用的需要，去处分割结果中的一些明显错误，使分割结果更合理。

与现有的技术相比，本发明的显著优点是：采用模糊技术处理彩色数字图像，并且融合多种模糊聚类算法的分割结果，进一步提高了彩色图像分割的精度。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变型，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种彩色图像分割方法，其特征在于，包括：

输入待分割图像并进行初始化设定，设定待分割图像的类别数目；

使用多种不同的模糊聚类算法分别对该图像进行分割，相应得到多个隶属度矩阵；

选择该多个隶属度矩阵中的其中一个作为基准矩阵，设定其类别标记并以之作为基准类别标记，其中，属于同一类别的象素点聚类为同一类别标记；

对于余下的其他隶属度矩阵，分别设定每个隶属度矩阵的类别标记，并计算每个隶属度矩阵的类别标记中任意一个类别标记所对应的隶属度与该基准矩阵的每一个基准类别标记所对应的隶属度的距离，则该任意一个类别标记应配准设置为使该距离最小的基准类别标记；

将余下的其他隶属度矩阵中的每个隶属度矩阵的类别标记都配准为相对应的基准类别标记，并参照配准结果，将余下的其他隶属度矩阵都参照该基准矩阵分别进行重新配准排列，连同该基准矩阵而获得多个经配准后的隶属度矩阵；

收集经配准后的多个隶属度矩阵；

计算该经配准后的多个隶属度矩阵中每个矩阵的平均互信息；

计算每个矩阵的权重；

将该经配准后的多个隶属度矩阵进行加权融合，得到一个融合后的加权隶属度矩阵；

根据该融合后的加权隶属度矩阵，计算融合后图像中每个象素点的类别标记，完成图像分割。

2.根据权利要求1所述的彩色图像分割方法，其特征在于，所述使用多种不同的模糊聚类算法对该图像进行分割，得到多个隶属度矩阵的步骤包括：

设定一种模糊聚类算法的初始参数；

利用该模糊聚类算法对该图像进行分割，得到一个隶属度矩阵；

重复多次上述步骤，利用多种不同的模糊聚类算法分别对该图像进行分割，相应得到多个隶属度矩阵。

3.根据权利要求2所述的彩色图像分割方法，其特征在于，所述进行配准的步骤中，该隶属度的距离满足：

$d\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\mathrm{\μ}}_k^{\left(1\right)}\left(x_i\right)-{\mathrm{\μ}}_l^{\left(t\right)}\left(x_i\right)\left|\right|}^2;$

其中，N为待分割图像的象素点数目；k、l表示类别；u_k ⁽¹⁾(x_i)表示该基准矩阵(1)中第i个象素点属于第k类的隶属度；μ_l ^(t)(x_i)表示余下的其他隶属度矩阵中第(t)个矩阵的第i个象素点属于第l类的隶属度。

4.根据权利要求3所述的彩色图像分割方法，其特征在于，所述进行配准的步骤中，对于余下的其他隶属度矩阵，每个隶属度矩阵的类别标记中任意一个类别标记经配准后的类别标记满足：

$l_{\mathrm{opt}}=\underset{k}{\arg \min }\left\{d\left(k\right)\right\}.$

5.根据权利要求4所示的彩色图像分割方法，其特征在于，所述平均互信息Φ_t满足：

${\mathrm{\Φ}}_t=\frac{1}{\mathrm{NK}(M-1)}\underset{t=1,t\≠l}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_j^{\left(t\right)}{\left(x_i\right)}^{\′}{\mathrm{\μ}}_i^{\left(l\right)}{\left(x_i\right)}^{\′}};$

其中，M为使用的模糊聚类算法的数目；N为待分割图像的象素点数目；K为设定的类别数目；μ_j ^(t)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(t)个矩阵的第i个象素点属于第j类的隶属度；μ_j ^(l)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(l)个矩阵的第i个象素点属于第j类的隶属度。

6.根据权利要求5所述的彩色图像分割方法，其特征在于，每个配准后的隶属度矩阵的权重满足：

$w_t=\frac{Z}{{\mathrm{\Φ}}_t};$

其中t＝1，2，…，M；Z为归一化因子，使得

7.根据权利要求6所述的彩色图像分割方法，其特征在于，所述加权隶属度矩阵满足：

${\widehat{\mathrm{\μ}}}_j\left(x_i\right)=\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_j^{\left(t\right)}{\left(x_i\right)}^{\′}{w}_t;$

其中i＝1，2，…，N；j＝1，2，…，K；μ_j ^(t)(x_i)′表示所收集到的M个配准后的隶属度矩阵中第(t)个矩阵的第i个象素点属于第j类的隶属度。

8.根据权利要求7所述的彩色图像分割方法，其特征在于，所述每个象素点的类别标记满足：

$c\left(x_i\right)=\underset{j}{\arg \max }\left\{{\widehat{\mathrm{\μ}}}_j\left(x_i\right)\right\};$

其中该加权隶属度矩阵中每个象素点x_i的所对应的加权隶属度中的最大值所对应的类别j即为该象素点x_i的类别标记。

9.根据上述任一权利要求所述的彩色图像分割方法，其特征在于，在进行图像分割之前还包括：

对所输入的待分割图像进行预处理，除去图像中的噪声点。

10.根据权利要求9所述的彩色图像分割方法，其特征在于，在完成图像分割之后还包括：

对所述图像分割结果进行后处理，除去图像中的噪声点和/或合并图像中面积很小的区域。

Images