CN103700108B - 基于种子集的半监督rflicm聚类的图像分割方法 - Google Patents

Abstract

本发明涉及一种基于种子集的半监督RFLICM聚类的图像分割方法，其特征是：至少包括如下步骤：步骤101：开始基于种子集的半监督RFLICM聚类的图像分割方法；步骤102：导入待分割的图像，标记为A；步骤103：对图像A进行加噪处理；步骤104：对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类，该聚类为图像的最终分割结果；步骤105：结束基于种子集的半监督RFLICM聚类的图像分割方法。该方法不仅体现了半监督聚类在聚类过程中的优势，而且利用了RFLICM算法加入局部空间信息和灰度信息，所以此算法能够利用更多的局部纹理信息，因此对噪声和轮廓具有很好的鲁棒性，且能很好的保留图像的细节，从而使得准确度大大改善。

Description

基于种子集的半监督RFLICM聚类的图像分割方法

技术领域

本发明属于图像处理技术领域，涉及图像分割，特别是一种基于种子集的半监督RFLICM聚类的图像分割方法，可用于对噪声人工图像、自然图像和SAR图像进行目标识别和目标检测。

背景技术

聚类分析是数理统计中的一种多元分析方法，它是用数学方法定量地确定样本之间的亲疏关系，从而客观地划分其类型。而模糊聚类是一种基于模糊理论的聚类算法，它是将数据集中的数据根据其相对于聚类中心的隶属度进行分类。模糊c均值(Fuzzy C-Means，FCM)是一种常用的无监督聚类算法，已经在模式分类、医学图像分割等领域中得到了广泛应用。但是，由于标准的FCM聚类算法没有顾及像素的空间信息，从而使得该算法对噪声比较敏感。针对这个缺点，10年提出了改进的FCM，即FLICM（Fuzzy Local Information C-means）算法，这个算法以一种新的模糊方式加入局部空间信息和灰度信息，因此对噪声和轮廓具有很好的鲁棒性。但是如果中心像素和近邻像素属于非同质区域，这种算法可能影响聚类性能，所以后来又对其进行了改进，提出了RFLICM（ReformulatedFLICM）聚类算法，但这些算法都属于无监督聚类算法，即根据数据集潜在的相似性和合适的测度对输入数据集进行聚类,但这种方法有时得不到好的分类结果。而监督分类需要大量的训练数据集来设计分类器,如果选择的训练数据集不足以估计分类的参数,得到的分类效果也不好。基于上述问题，近年出现的半监督聚类越来越引起人们的关注。

在现有的半监督聚类算法中，基于约束的方法被广泛采用。该方法使用少量监督信息约束聚类的搜索过程，指导算法向一个比较好的划分进行。其中的监督信息可以是约束对或者是样本的类别标记。而基于种子集的半监督聚类方法，一般使用少量labeled样本来指导聚类过程，但是如何更有效的使用这些信息，也是目前的研究方向。

由Dunn提出的FCM算法是一种最经典，也是目前使用最为广泛的模糊聚类算法，但由于FCM没有顾及像素的空间信息，因此对噪声和轮廓缺乏鲁棒性，其聚类效果较差。为了克服FCM聚类的缺点，提高聚类的效果，10年S.Krinidis和V.Chatzis提出了一种鲁棒性的模糊局部信息C均值聚类算法（FLICM），这个算法以一种新的模糊方式加入局部空间信息和灰度信息，因此对噪声和轮廓具有很好的鲁棒性，且能很好的保留图像的细节，而且提出的算法不需要调整任何参数。但是在一些情况下，这种算法使用空间距离来试图衡量近邻像素和中心像素的衰减程度可能不合理，因为中心像素和近邻像素可能属于非同质区域。针对以上提出的这个缺点，12年，公茂果等对其进行了修改，提出了RFLICM聚类算法，本算法使用像素的局部系数来代替空间距离，此局部系数能够反应局部窗口的灰度值同质程度，而且由于局部窗口中每个像素的局部系数被计算，所以此算法能够利用更多的局部纹理信息，因此对噪声和轮廓具有很好的鲁棒性。但是由于它的初始聚类中心也是随机选择的，所以算法也易陷入局部最优。

发明内容

本发明的目的在于针对以上现有无监督聚类技术的不足，提出了一种基于种子集的半监督RFLICM聚类方法，该方法不仅体现了半监督聚类在聚类过程中的优势，而且利用了RFLICM算法加入局部空间信息和灰度信息，所以此算法能够利用更多的局部纹理信息，因此对噪声和轮廓具有很好的鲁棒性，且能很好的保留图像的细节，从而使得准确度大大改善。

实现本发明目的的技术方案是：基于种子集的半监督RFLICM聚类的图像分割方法，其特征是：至少包括如下步骤：

步骤101：开始基于种子集的半监督RFLICM聚类的图像分割方法；

步骤102：导入待分割的图像，标记为A；

步骤103：对图像A进行加噪处理；

步骤104：对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类，该聚类为图像的最终分割结果；

步骤105：结束基于种子集的半监督RFLICM聚类的图像分割方法。

所述的步骤104，包括如下步骤：

步骤201：开始对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类。

步骤202：初始化：给定有部分标记数据的数据集X=[X_b X_u]，初始化c、m、迭代截止误差值ε、算法的最大迭代次数T_max；

步骤203：初始化模糊划分矩阵其中,U^b是已标记数据X_b的化分矩阵,取值按硬划分赋值。U^u是未标记数据X^u的模糊化分矩阵,按约束条件随机初始化。用标记数据X_b的加权平均来初始化聚类中心；

步骤204：设b=0；

步骤205：使用以下式子更新聚类中心；

$v_k=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ki}}^m{x}_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ki}}^m}$

步骤206：使用以下式子更新隶属度矩阵；

$u_{\mathrm{ki}}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{{\left|\right|x_i-v_k\left|\right|}^2+G_{\mathrm{ki}}}{{\left|\right|x_i-v_j\left|\right|}^2+G_{\mathrm{ji}}}\right)}^{1/(m-1)}}$

其中，

$G_{\mathrm{ki}}=\left\{\begin{array}{c}\underset{j\&Element;N_i}{\mathrm{\&Sigma;}}\frac{1}{2+\min ({(C_u^j/C_u)}^2,{(C_u/C_u^j)}^2)}\&times;{(1-u_{\mathrm{kj}})}^m{\left|\right|x_j-v_k\left|\right|}^2,\mathrm{if}{C}_u^j\&GreaterEqual;\stackrel{\&OverBar;}{C_u}\\ \underset{j\&Element;N_i}{\mathrm{\&Sigma;}}\frac{1}{2-\min ({(C_u^j/C_u)}^2,{(C_u/C_u^j)}^2)}\&times;{(1-u_{\mathrm{kj}})}^m{\left|\right|x_j-v_k\left|\right|}^2,\mathrm{if}{C}_u^j<\stackrel{\&OverBar;}{C_u}\end{array}\right.$

步骤207：如果max{U^(b)-U^(b+1)}<ε，那么停止迭代，输出最终聚类结果。否则，设置b=b+1,并返回步骤205；

步骤208：结束对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类。

本发明与现有的技术相比具有以下优点：

1)本发明由于采用了种子集来初始化聚类中心，以及采用硬化分法来初始化标记样本的隶属度矩阵，不仅体现了半监督聚类的优势，还避免了像FLICM和RFLICM随机初始化聚类中心易使算法陷入局部最优的缺点。

2）本发明由于采用了RFLICM聚类算法，此算法使用像素的局部系数来反应局部窗口的灰度值同质程度，而且由于局部窗口中每个像素的局部系数被计算，所以此算法能够利用更多的局部纹理信息，因此对噪声和轮廓具有很好的鲁棒性，从而使得准确度大大改善。

仿真结果表明，本发明方法较其它几种现有的经典的无监督聚类方法，在分割准确率方面有显著的提高。

附图说明

图1、2是本发明实现流程图；

图3、4、5是本发明与现有的方法对加入不同程度的高斯噪声的两类、三类和四类人工合成图像分割的结果对比图；

图6、7、8是本发明与现有的方法对加入不同程度的椒盐噪声的两类、三类和四类图像分割的结果对比图；

图9、10、11是本发明与现有的方法对不同模拟SAR图像分割的结果对比图；

图12、13、14是本发明与现有的方法对不同加噪自然图像分割的结果对比图。

具体实施方式

参照图1，本发明的具体实施过程如下：

步骤101：开始基于种子集的半监督RFLICM聚类的图像分割方法。

步骤102：导入待分割的图像，标记为A；

步骤103：对图像A进行加噪处理；

步骤104：对加噪声后的图像，使用基于种子集的半监督RFLICM聚类方法进行聚类，该聚类为图像的最终分割结果。

步骤105：结束基于种子集的半监督RFLICM聚类的图像分割方法。

参照图2所示。

所述的步骤104，包括如下步骤：

步骤201：开始对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类。

步骤202：初始化：给定有部分标记数据的数据集X=[X_b X_u]，初始化c、m、迭代截止误差值ε、算法的最大迭代次数T_max；

步骤203：初始化模糊划分矩阵其中,U^b是已标记数据X_b的化分矩阵,取值按硬划分赋值。U^u是未标记数据X^u的模糊化分矩阵,按约束条件随机初始化。用标记数据X_b的加权平均来初始化聚类中心；

步骤204：设b=0；

步骤205：使用以下式子更新聚类中心；

$v_k=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ki}}^m{x}_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ki}}^m}$

步骤206：使用以下式子更新隶属度矩阵；

$u_{\mathrm{ki}}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{{\left|\right|x_i-v_k\left|\right|}^2+G_{\mathrm{ki}}}{{\left|\right|x_i-v_j\left|\right|}^2+G_{\mathrm{ji}}}\right)}^{1/(m-1)}}$

其中， $G_{\mathrm{ki}}=\left\{\begin{array}{c}\underset{j\&Element;N_i}{\mathrm{\&Sigma;}}\frac{1}{2+\min ({(C_u^j/C_u)}^2,{(C_u/C_u^j)}^2)}\&times;{(1-u_{\mathrm{kj}})}^m{\left|\right|x_j-v_k\left|\right|}^2,\mathrm{if}{C}_u^j\&GreaterEqual;\stackrel{\&OverBar;}{C_u}\\ \underset{j\&Element;N_i}{\mathrm{\&Sigma;}}\frac{1}{2-\min ({(C_u^j/C_u)}^2,{(C_u/C_u^j)}^2)}\&times;{(1-u_{\mathrm{kj}})}^m{\left|\right|x_j-v_k\left|\right|}^2,\mathrm{if}{C}_u^j<\stackrel{\&OverBar;}{C_u}\end{array}\right.$

步骤207：如果max{U^(b)-U^(b+1)}<ε，那么停止迭代，输出最终聚类结果。否则，设置b=b+1,并返回步骤205。

步骤208：结束对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类。

本发明的效果可通过以下仿真实验进一步说明：

1.仿真实验环境与参数设置：

仿真实验环境为：MATLAB7.8.0(R2009a)，Hewlett-Packard2.80GHz,32.0GB内存，Windows XP Professional。

仿真实验参数设置为：实验中使用的标记样本数为5%。

2.仿真实验内容：

仿真实验1,用现有的方法与本发明方法对加入不同程度的椒盐噪声的两类、三类和四类人工合成图像分割的结果对比图，仿真结果如图3，4，5；

仿真实验2,用现有的方法与本发明方法对加入不同程度的高斯噪声的两类、三类和四类图像分割的结果对比图，仿真结果如图6，7，8；

仿真实验3,用现有的方法与本发明方法对不同模拟SAR图像分割的结果对比图，仿真结果如图9,10,11；

仿真实验4,用现有的方法与本发明方法对不同加噪自然图像分割的结果对比图,仿真结果如图12,13,14；

3.仿真实验结果分析：

从图3、图4和图5可以看出，现有的FLICM聚类算法和RFLICM聚类算法对不同程度的椒盐噪声的两类、三类和四类人工合成图像都有很好的分割效果，但相比较而言，RFLICM聚类算法对椒盐噪声的去噪效果比FLICM聚类算法好，而相比这两种聚类算法，本发明的半监督RFLICM聚类算法能够移除更多的噪声，这表明使用种子集初始化聚类中心的有效性，以及RFLICM聚类算法引入的模糊因子能够准确的估计近邻像素的衰减程度，因此对噪声和轮廓具有很好的鲁棒性。

从图6、图7和图8可以看出，现有的FLICM聚类算法和RFLICM聚类算法对不同程度的高斯噪声的两类、三类和四类人工合成图像都有很好的分割效果，聚类精确率都可以达到98%以上，从分割后的图像中几乎看不出有任何错分割的点，但从最终的聚类精确率来看，相比两种无监督的聚类算法，本发明的半监督RFLICM聚类算法能够获得更好的聚类精确率。

从图9、图10和图11可以看出，现有的FLICM聚类算法和RFLICM聚类算法对不同的模拟SAR图像都有很好的去噪效果，但相比较而言，对于图8和图9，本发明方法相对其他两种半监督聚类算法精确率提高了1%左右，而图10却提高了12%，这充分表明本发明方法对RFLICM聚类算法改进的有效性。

从图12、图13和图14可以看出，现有的FLICM聚类算法分割后的图像含有很多的噪声点，而RFLICM聚类算法相对FLICM聚类算法而言，分割后的图像所含噪声点明显减少。再进一步比较，发现本发明的半监督RFLICM聚类算法移除了更多的噪声点，同质区域的分割也更平滑，这充分说明本发明使用种子集初始化聚类中心以及使用硬化分来初始化标记样

本的隶属度的优越性，以及结合RFLICM考虑领域信息的有效性。

用不同算法在相同噪声图像上的聚类精确率作为分割结果的定量评价指标，如果算法的聚类精确率越高，那么表示算法的分割能力越强。上述两种现有的聚类方法和本发明方法在不同噪声图像上的聚类精确率被列在表1、表2和表3中，表中同时给出了不同算法在不同图像上的运行时间对比。

表1

从表1中可以看出，对于含不同程度椒盐噪声的人工合成图像，现有的FLICM和RFLICM聚类算法对图2和图3都有很好的分割效果，它们的聚类精确率都可以达到90%以上，但是相比本发明方法的聚类精确率，它们的分割效果还是相对差一些，图4中，本发明方法相对前两种方法，聚类精确率也提高了2%，而且所用的时间明显减少，这充分说明了本发明方法对噪声图像的分割具有很好的鲁棒性，同时也体现了监督信息对于聚类的优越性。

表1两种聚类方法与本发明方法在不同椒盐噪声人工图像上的聚类结果对比。

表2两种聚类方法与本发明方法在不同高斯噪声人工图像上的聚类结果对比。

表2

从表2中可以看出，对于含不同高斯噪声的人工合成图像，文中使用的几种算法的分割精确率都可以达到99%左右，但是本发明方法由于加入5%的样本作为种子集，所以相对前两种无监督方法，聚类精确率还是有一定程度的提高,而且从运行时间可以看出，本发明方法使用的时间明显大大缩短，这充分说明使用种子集初始化聚类中心避免算法陷入局部最优的优越性。

表3

表3是两种聚类方法与本发明方法在不同模拟SAR图像上的聚类结果对比。

从表3中可以看出，对于含不同噪声的模拟SAR图像，现有的RFLICM聚类算法较FLICM聚类算法而言，分割精确率可以提高1%～2%，而本发明方法相对RFLICM聚类算法，聚类精确率又有明显的提高，这充分说明本发明方法使用半监督信息的有效性。

综合分析实验，我们可以得出结论：本发明最明显的优点在于使用种子集来初始化聚类中心，并使用硬化分方法来初始化标记样本的隶属度矩阵，这就使得算法不容易陷入局部最优，从而提高算法的收敛速度；同时与RFLICM聚类算法相结合，而RFLICM聚类算法引入的模糊因子充分考虑了邻域信息，因此对噪声和轮廓具有很好的鲁棒性，从而使得本发明算法的分割准确度大大改善，达到了预期的效果。

本实施例没有详细叙述的部分和英文缩写属本行业的公知常识，在网上可以搜索到，这里不一一叙述。

Claims (1)

1.基于种子集的半监督RFLICM聚类的图像分割方法，其特征是：至少包括如下步骤：

步骤101：开始基于种子集的半监督RFLICM聚类的图像分割方法；

步骤102：导入待分割的图像，标记为A；

步骤103：对图像A进行加噪处理；

步骤104：对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类，聚类的结果为图像的最终分割结果；

步骤105：结束基于种子集的半监督RFLICM聚类的图像分割方法；

所述的步骤104，包括如下步骤：

步骤201：开始对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类；

步骤202：初始化：给定有部分标记数据的数据集X＝[X_b X_u]，初始化c、m、迭代截止误差值ε、算法的最大迭代次数T_max；

步骤203：初始化模糊划分矩阵其中,U^b是已标记数据X_b的划分矩阵,取值按硬划分赋值；U^u是未标记数据X_u的模糊划分矩阵,按约束条件随机初始化；用标记数据X_b的加权平均来初始化聚类中心；

步骤204：设b＝0；

步骤205：使用以下式子更新聚类中心；

$v_k=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}{u}_{ki}^m{x}_i}{\underset{i=1}{\overset{N}{\&Sigma;}}{u}_{ki}^m}$

步骤206：使用以下式子更新隶属度矩阵；

$u_{ki}=\frac{1}{\underset{j=1}{\overset{c}{\&Sigma;}}{\left(\frac{\left|\right|x_i-v_k|{|}^2+G_{ki}}{\left|\right|x_i-v_j|{|}^2+G_{ji}}\right)}^{1/(m-1)}}$

其中，

$G_{ki}=\left\{\begin{array}{c}\underset{j\&Element;N_i}{\&Sigma;}\frac{1}{2+min({(C_u^j/C_u)}^2,{(C_u/C_u^j)}^2)}\&times;{(1-u_{kj})}^m\left|\right|x_j-v_k|{|}^2,if{C}_u^j\&GreaterEqual;\stackrel{\&OverBar;}{C_u}\\ \underset{j\&Element;N_i}{\&Sigma;}\frac{1}{2-min({(C_u^j/C_u)}^2,{(C_u/C_u^j)}^2)}\&times;{(1-u_{kj})}^m\left|\right|x_j-v_k|{|}^2,if{C}_u^j<\stackrel{\&OverBar;}{C_u}\end{array}\right.$

步骤207：如果max{U^(b)-U^(b+1)}＜ε，那么停止迭代，输出最终聚类结果；否则，设置b＝b+1,并返回步骤205；

步骤208：结束对加噪后的图像使用基于种子集的半监督RFLICM聚类方法进行聚类。