CN102663681A - 基于排序k-均值算法的灰度图像分割方法 - Google Patents
基于排序k-均值算法的灰度图像分割方法 Download PDFInfo
- Publication number
- CN102663681A CN102663681A CN201210062259XA CN201210062259A CN102663681A CN 102663681 A CN102663681 A CN 102663681A CN 201210062259X A CN201210062259X A CN 201210062259XA CN 201210062259 A CN201210062259 A CN 201210062259A CN 102663681 A CN102663681 A CN 102663681A
- Authority
- CN
- China
- Prior art keywords
- gray level
- image
- cluster
- cluster centre
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明针对现有K-均值算法很难保留像素较多类别中图像细节的缺点,提出了一种基于排序K-均值算法的灰度图像分割方法。其实现步骤是:(1)读入一幅不含噪声的灰度图像G,并随机指定各个聚类中心;(2)统计读入的灰度图像G的直方图HL;(3)求解各灰度级到各聚类中心距离;(4)对各灰度级到各聚类中心距离进行排序;(5)对排序后的距离进行存储;(6)将每个灰度级分配到离其距离最近的聚类中心的类别中;(7)根据排序后的各灰度级到各聚类中心的距离更新聚类中心;(8)根据更新前后的聚类中心,判断是否达到迭代停止条件,如果达到迭代停止条件,聚类结束,并输出聚类结果,完成图像分割。本发明具有图像分割精度高的优点,可用于提取和获得灰度图像的细节信息。
Description
技术领域
本发明属于图像处理领域,涉及一种图像分割方法,尤其涉及一种灰度图像分割方法,可用于提取和获得灰度图像的细节信息。
背景技术
随着计算机技术的发展,图像在各行各业的应用日益广泛。灰度图像分割是以图像的形式获得信息的基础,是人们研究的热点,是图像处理技术应用的重要内容之一。
图像分割在目标识别、变化监测等方面应用广泛。图像分割方法有多种,基于灰度级单阈值分割,基于灰度级多阈值分割、区域增长和聚类等。
K-means聚类算法,简称K-均值算法,是1967年由J.B.MacQueen提出的。K-means聚类算法是一种经典的划分的聚类算法,是到目前为止应用最广泛最成熟的一种聚类分析方法。已被广泛应用于图像分割领域。
K-means聚类算法是一种典型的基于距离的硬聚类算法,算法通常采用误差平方和函数作为优化的目标函数,误差平方和函数的定义如下所示:
其中,K表示聚类的数目,Cj,j=1,2,...K表示聚类的第j类,x表示类Cj中的任一数据对象,mj表示类Cj的均值,E表示数据样本与聚类中心差异度平方之和,E值的大小取决于K个聚类中心点。越小的E值,聚类结果的质量就越好。
K-means算法首先从含有n个数据对象的数据集中随机选取K个数据作为初始中心,然后计算每个数据到各个中心的距离,根据最邻近原则,所有的数据都会被划分到离它最近的那个中心所代表的类中,接着分别计算新生成的各类中数据的均值作为各类新的中心,比较新的中心和上一次得到的中心,如果新的中心没有发生变化,则算法收敛,输出结果,如果新的中心和上一次中心相比较发生变化,则要根据新的中心对所有数据对象重新进行划分,直到满足算法的收敛条件为止。该方法应用于灰度图像分割领域,对部分图像的分割取得了一些效果,能够根据灰度级将图像分割成为较理想的情况。但该方法的不足之处是,当图像中的某一类或者几类像素较少时,该方法就很难保留像素较多类别中的图像细节部分,划分效率较低。
发明内容
本发明的目的在于针对上述已有方法的缺点,提出了一种基于排K-均值算法的灰度图像分割方法,完成了像素较多类别中图像细节部分的保留,提高图像分割效率。
实现本发明目的技术方案,包括如下步骤:
(1)读入一幅不含噪声的灰度图像G,图像大小为256×256,随机指定各个聚类中心V:
V=(V0,V1,…,Vi)
其中,Vi为第i类的聚类中心,i=0,...,n-1,n为聚类类别数;
(2)定义灰度图像G的灰度直方图HL(l):
HL(l)=nl
其中,l为灰度级,l=0,...,255,nl为灰度图像G中第l个灰度级的像素点总数;
(3)计算图像灰度直方图中每个灰度级l到每个聚类中心Vi的欧式距离dil:
dil=|l-Vi|;
(4)针对每个聚类中心Vi,利用sort(dil)函数对距离dil由小到大进行排序;
(5)用函数mdil存储排序后的每个灰度级到每个聚类中心Vi的距离dil,mdil定义如下:
其中,l1,l2∈l,l1≠l2,表示灰度级l1到聚类中心Vi的距离,表示灰度级l2到聚类中心Vi的距离,i=0,...,n-1,n为聚类类别数,表示灰度级l1到聚类中心Vi的距离小于灰度级l2到聚类中心Vi的距离,HL(l1)表示第l1个灰度级的灰度直方图信息;
(6)根据步骤(5)中mdil的值,将每个灰度级分配到离其距离最近的聚类中心的类别中,即选取min(mdil),i=0,...,n-1,将灰度级l归于Vi类,其中Vi是图像的第i个聚类中心,n为聚类类别数;
(7)更新第i类聚类中心为以下值:
其中,ni是图像聚类中第i类的像素点总数,Vi是图像的第i类聚类中心,vj是第i类中第j个像素点;
(8)判断是否达到设定的循环结束条件,如果达到循环结束条件,则聚类结束,并输出聚类结果,完成图像G分割,否则返回步骤(3)进行下一次循环。
本发明与现有技术相比存在以下优点:
1.本发明由于对直方图中灰度级到聚类中心的距离dil由小到大进行排序,可以有效的减小错分率,提高分割结果的精度。
2.本发明由于直接统计像素个数,找到像素个数较少的类别,可以有效的保留图像像素较多类别中较少像素的图像信息。
附图说明
图1是本发明的实现流程图;
图2是用本发明和现有的K-均值方法对两幅灰度图像的三类分割结果对比图;
图3是用本发明和现有的K-均值方法对两幅灰度图像的四类分割结果对比图。
具体实施方式
下面结合图1对本发明的具体实施步骤做进一步的详细描述。
步骤1,读入一幅不含噪声的灰度图像G,图像大小为256×256,随机指定各个聚类中心V:
V=(V0,V1,…,V1)其中,Vi为第i类的聚类中心,i=0,...,n-1,n为聚类类别数;
在本发明的实施例中,读入一幅不含噪声的灰度级House图像,图像大小为256×256。设定图像分为4类,即n=4。
随机生成聚类中心V=(V0,V1,V2,V3),本发明随机生成的聚类中心为V=(41,35,190,132)。
步骤2,定义灰度图像G的灰度直方图HL(l):
HL(l)=nl
其中,l为灰度级,l=0,...,255,li为灰度图像G中第l个灰度级的像素点总数;
在本发明实施例中,以灰度级为横坐标,以灰度级像素点的总数为纵坐标构成灰度直方图。
步骤3,计算步骤2中定义的图像灰度直方图中每个灰度级l到每个聚类中心Vi的欧式距离dil:
dil=|l-Vi|;
其中,l为灰度级,l=0,...,255,Vi为聚类中心,每个灰度级到每个聚类中心的距离采用的是欧式距离;
在本发明实施例中,灰度级l=0,...,255,聚类中心为V0,V1,V2,V3,dil表示每个灰度级分别到聚类中心V0,V1,V2,V3的欧式距离。
步骤4,针对每个聚类中心Vi,利用sort(dil)函数对步骤3中计算出的欧式距离dil由小到大进行排序;
在本发明实施例中,聚类中心为V0,V1,V2,V3,利用sort函数分别对各个灰度级到聚类中心V0、V1、V2和V3的距离d0l,d1l,d2l和d3l从小到大排序。
步骤5,用函数mdil存储步骤4中排序后的每个灰度级到每个聚类中心Vi的距离dil,mdil定义如下:
其中,l1,l2∈l,l1≠l2,表示灰度级l1到聚类中心Vi的距离,表示灰度级l2到聚类中心Vi的距离,i=0,...,n-1,n为聚类类别数,表示灰度级l1到聚类中心Vi的距离小于灰度级l2到聚类中心Vi的距离,HL(l1)表示第l1个灰度级的灰度直方图信息。
步骤6,根据步骤5中mdil的值,将每个灰度级分配到离其距离最近的聚类中心的类别中,即选取min(mdil),i=0,...,n-1,将灰度级l归于图像的第i类聚类中心Vi。
步骤7,更新第i类聚类中心为以下值:
在本发明实施例中,步骤(1)中随机生成聚类中心V=(41,35,190,132),进行一次迭代后,聚类中心更新为:V=(95,23,205,116)。
在本发明实施例中,t=7时,达到循环结束条件:此时聚类中心为V=(129,94,205,204),聚类结束,并输出聚类结果,完成图像分割。
本发明的效果可以通过以下仿真实验进一步说明:
1.实验条件和内容:
实验条件:
在CPU为core 22.4GHZ、内存1G、WINDOWS XP系统上使用VC++6.0进行仿真。
实验内容:
本发明分别用两幅不含噪声的灰度图像进行实验,大小均为256×256,分别命名为lena和house,分别对lena和house进行三类和四类的分割。
2.实验结果:
(1)用本发明和现有K-均值两种方法分别对Lena,House两幅图像进行三类的分割,结果如图2所示,其中图2(a)为Lena的原图像;图2(b)为House的原图像;图2(c)为现有K-均值算法对图2(a)的分割结果;图2(d)为现有K-均值算法对图2(b)的分割结果;图2(e)为本发明对图2(a)的分割结果;图2(f)为本发明对图2(b)的分割结果。
从图2(c)、图2(d)的分割结果可见,现有K-均值算法虽然利用了图像的灰度特征,但由于容易忽略像素较多类别中图像中的细节,因此不能得到理想的分割结果。
从图2(e)、图2(f)的分割结果可见,本发明对不含噪声的灰度图像的细节部分分割效果较好。
(2)用本发明和现有K-均值两种方法分别对Lena,House两幅图像进行四类的分割,结果如图3所示,其中图3(a)为Lena的原图像;图3(b)为House的原图像;图3(c)为现有K-均值算法对图3(a)的分割结果;图3(d)为现有K-均值算法对图3(b)的分割结果;图3(e)为本发明对图3(a)分割结果;图3(f)为本发明对图3(b)的分割结果;
从图3(c)、图3(d)的分割结果可见,现有K-均值算法虽然利用了灰度特征,但仍旧没有很好保留图像细节部分信息,分割结果不理想。
从图3(e)、图3(f)的分割结果可见,本发明对不含噪声的灰度图像的细节部分分割效果较好。
综上,本发明提出的基于排序K-均值算法的灰度图像分割方法,通过对每个灰度级到每个聚类中心的距离dil进行排序,基本消除了图像中细节的错分现象,可以有效保留像素较多类别中较少像素的图像细节,提高了算法的分割效果,将图像分割成了较为理想的类别。
Claims (2)
1.一种基于排序K-均值算法的灰度图像分割方法,包括如下步骤:
(1)读入一幅不含噪声的灰度图像G,图像大小为256×256,随机指定各个聚类中心V:
V=(V0,V1,…,Vi)
其中,Vi为第i类的聚类中心,i=0,...,n-1,n为聚类类别数;
(2)定义灰度图像G的灰度直方图HL(l):
HL(l)=nl
其中,l为灰度级,l=0,...,255,nl为灰度图像G中第l个灰度级的像素点总数;
(3)计算图像灰度直方图中每个灰度级l到每个聚类中心Vi的欧式距离dil:
dil=|l-Vi|;
(4)针对每个聚类中心Vi,利用sort(dil)函数对距离dil由小到大进行排序;
(5)用函数mdil存储排序后的每个灰度级到每个聚类中心Vi的距离dil,mdil定义如下:
其中,l1,l2∈l,l1≠l2,表示灰度级l1到聚类中心Vi的距离,表示灰度级l2到聚类中心Vi的距离,i=0,...,n-1,n为聚类类别数,表示灰度级l1到聚类中心Vi的距离小于灰度级l2到聚类中心Vi的距离,HL(l1)表示第l1个灰度级的灰度直方图信息;
(6)根据步骤(5)中mdil的值,将每个灰度级分配到离其距离最近的聚类中心的类别中,即选取min(mdil),i=0,...,n-1,将灰度级l归于Vi类,其中Vi是图像的第i类聚类中心,n为聚类类别数;
(7)更新第i类聚类中心为以下值:
其中,ni是图像聚类中第i类的像素点总数,Vi是图像的第i类聚类中心,vj是第i类中第j个像素点;
(8)判断是否达到设定的循环结束条件,如果达到循环结束条件,则聚类结束,并输出聚类结果,完成图像G的分割,否则返回步骤(3)进行下一次循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210062259.XA CN102663681B (zh) | 2012-03-11 | 2012-03-11 | 基于排序k-均值算法的灰度图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210062259.XA CN102663681B (zh) | 2012-03-11 | 2012-03-11 | 基于排序k-均值算法的灰度图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663681A true CN102663681A (zh) | 2012-09-12 |
CN102663681B CN102663681B (zh) | 2014-11-12 |
Family
ID=46773160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210062259.XA Expired - Fee Related CN102663681B (zh) | 2012-03-11 | 2012-03-11 | 基于排序k-均值算法的灰度图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663681B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366367A (zh) * | 2013-06-19 | 2013-10-23 | 西安电子科技大学 | 基于像素数聚类的模糊c-均值灰度图像分割方法 |
CN106228552A (zh) * | 2016-07-20 | 2016-12-14 | 湖南文理学院 | 基于调和k均值聚类的灰度图像直方图快速分割方法 |
CN106408586A (zh) * | 2016-08-30 | 2017-02-15 | 湖南文理学院 | 基于非广延高斯熵测度的灰度图像分割方法 |
CN107680098A (zh) * | 2017-11-02 | 2018-02-09 | 广西民族大学 | 一种甘蔗蔗节特征的识别方法 |
CN108648046A (zh) * | 2018-04-28 | 2018-10-12 | 武汉理工大学 | 一种基于改进二分k-均值算法的订单分组方法 |
CN112669326A (zh) * | 2020-12-07 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种海水水下图像快速分割方法 |
CN114520894A (zh) * | 2020-11-18 | 2022-05-20 | 成都极米科技股份有限公司 | 投影区域确定方法、装置、投影设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587576B1 (en) * | 2000-05-17 | 2003-07-01 | Ncr Corporation | Method of quantifying the quality of a gray scale image of a document and an apparatus therefor |
CN101477686B (zh) * | 2009-01-21 | 2011-04-06 | 西安电子科技大学 | 基于克隆选择的无监督图像分割方法 |
CN101699515B (zh) * | 2009-10-30 | 2011-10-19 | 西安电子科技大学 | 基于多精英免疫量子聚类的医学影像分割系统及分割方法 |
-
2012
- 2012-03-11 CN CN201210062259.XA patent/CN102663681B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587576B1 (en) * | 2000-05-17 | 2003-07-01 | Ncr Corporation | Method of quantifying the quality of a gray scale image of a document and an apparatus therefor |
CN101477686B (zh) * | 2009-01-21 | 2011-04-06 | 西安电子科技大学 | 基于克隆选择的无监督图像分割方法 |
CN101699515B (zh) * | 2009-10-30 | 2011-10-19 | 西安电子科技大学 | 基于多精英免疫量子聚类的医学影像分割系统及分割方法 |
Non-Patent Citations (4)
Title |
---|
FANHUA SHANG等: "Fast density-weighted low-rank approximation spectral clustering", 《DATA MINING AND KNOWLEDGE DISCOVERY》 * |
JING BAI等: "Image retrieval based on color features integrated with anisotropic directionality", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
余锦华等: "基于空间邻域信息的二维模糊聚类图像分割", 《光电工程》 * |
李阳阳等: "基于流形距离的量子进化聚类算法", 《电子学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366367A (zh) * | 2013-06-19 | 2013-10-23 | 西安电子科技大学 | 基于像素数聚类的模糊c-均值灰度图像分割方法 |
CN103366367B (zh) * | 2013-06-19 | 2015-11-11 | 西安电子科技大学 | 基于像素数聚类的模糊c-均值灰度图像分割方法 |
CN106228552A (zh) * | 2016-07-20 | 2016-12-14 | 湖南文理学院 | 基于调和k均值聚类的灰度图像直方图快速分割方法 |
CN106408586A (zh) * | 2016-08-30 | 2017-02-15 | 湖南文理学院 | 基于非广延高斯熵测度的灰度图像分割方法 |
CN107680098A (zh) * | 2017-11-02 | 2018-02-09 | 广西民族大学 | 一种甘蔗蔗节特征的识别方法 |
CN108648046A (zh) * | 2018-04-28 | 2018-10-12 | 武汉理工大学 | 一种基于改进二分k-均值算法的订单分组方法 |
CN108648046B (zh) * | 2018-04-28 | 2021-08-10 | 武汉理工大学 | 一种基于改进二分k-均值算法的订单分组方法 |
CN114520894A (zh) * | 2020-11-18 | 2022-05-20 | 成都极米科技股份有限公司 | 投影区域确定方法、装置、投影设备及可读存储介质 |
CN114520894B (zh) * | 2020-11-18 | 2022-11-15 | 成都极米科技股份有限公司 | 投影区域确定方法、装置、投影设备及可读存储介质 |
CN112669326A (zh) * | 2020-12-07 | 2021-04-16 | 山东省科学院海洋仪器仪表研究所 | 一种海水水下图像快速分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102663681B (zh) | 2014-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN102663681B (zh) | 基于排序k-均值算法的灰度图像分割方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN110837836B (zh) | 基于最大化置信度的半监督语义分割方法 | |
CN110321813B (zh) | 基于行人分割的跨域行人重识别方法 | |
CN103366367B (zh) | 基于像素数聚类的模糊c-均值灰度图像分割方法 | |
US11334766B2 (en) | Noise-resistant object detection with noisy annotations | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
CN111275724B (zh) | 一种基于八叉树和边界优化的机载点云屋顶平面分割方法 | |
CN101540047A (zh) | 基于独立高斯混合模型的纹理图像分割方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN104156945A (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN111860823B (zh) | 神经网络训练、图像处理方法及装置、设备及存储介质 | |
CN107358172B (zh) | 一种基于人脸朝向分类的人脸特征点初始化方法 | |
CN104063713A (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
CN103020979A (zh) | 基于稀疏遗传聚类的图像分割方法 | |
CN112215268A (zh) | 一种灾害天气卫星云图分类方法和装置 | |
CN103365985A (zh) | 一种类别自适应的极化sar分类方法 | |
CN103456017A (zh) | 基于种子集的半监督权重核模糊聚类的图像分割方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN102184524B (zh) | 基于规范切的邻域学习文化基因图像分割方法 | |
CN103700108A (zh) | 基于种子集的半监督rflicm聚类的图像分割方法 | |
Isobe et al. | Inference with model uncertainty on indoor scene for semantic segmentation | |
CN110956204A (zh) | 基于迁移学习的高斯混合模型数据聚类方法 | |
CN104573727A (zh) | 一种手写体数字图像降维方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210518 Address after: Room 1306, block a, Rongcheng Yungu, No.57, Keji 3rd road, high tech Zone, Xi'an, Shaanxi 710005 Patentee after: SHAANXI GUOBO ZHENGTONG INFORMATION TECHNOLOGY Co.,Ltd. Address before: 710071 Taibai South Road, Xi'an, Xi'an, Shaanxi 2 Patentee before: XIDIAN University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141112 |
|
CF01 | Termination of patent right due to non-payment of annual fee |