CN106600610A - 一种fcm图像分割方法及装置 - Google Patents
一种fcm图像分割方法及装置 Download PDFInfo
- Publication number
- CN106600610A CN106600610A CN201611116695.5A CN201611116695A CN106600610A CN 106600610 A CN106600610 A CN 106600610A CN 201611116695 A CN201611116695 A CN 201611116695A CN 106600610 A CN106600610 A CN 106600610A
- Authority
- CN
- China
- Prior art keywords
- point
- neighborhood
- sample
- iteration
- cluster centre
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明的FCM图像分割方法及装置,解决了通用模糊聚类方法不能有效完成图像分割的技术问题。初始化过程中包括:形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1;迭代过程中包括:在当前迭代中,通过样本点的邻域点与前次迭代的聚类中心Viter‑1的灰度值差、前次迭代的隶属度Uiter‑1和空间欧氏距离,形成所有所述邻域点相对样本点的当前迭代的加权局部距离项的集合S2,通过加权局部灰度项的集合S1,当前迭代的加权局部距离项的集合S2和前次迭代的聚类中心Viter‑1,形成当前迭代的隶属度Uiter;根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
Description
技术领域
本发明涉及一种图像分割方法及装置,特别是涉及一种模糊聚类分割的图像分割方法和装置。
背景技术
图像分割是图像处理和计算机视觉的一个重要过程。图像分割就是把图像分割成若干个特定的,具有独特性质的区域并提出感兴趣目标的技术和过程。聚类分割方法中的模糊聚类方法(即FCM算法)已成功运用在医学图像处理、人工智能、模式识别等各个方面。
FCM算法在硬分类的基础上添加了隶属度函数,使得每个样本点不再属于某一确定的类,而是以一定的百分比隶属于不同的类。FCM算法目标函数如下:
N代表一幅图像中的样本点个数,通常样本点个数与图像中像素点相同;c为聚类个数,c∈[1,N];i是所选邻域窗口的中心像素点(比如3*3大小的窗口);xi表示图像中第i个点的灰度值,vk表示第k个聚类中心点的灰度值;‖xi-vk‖表示原始图像中第i个点和第k个聚类中心点的灰度值差;uki是第i点属于第k类的隶属度,即第i个点属于第k个聚类中心点的概率,并且m∈[1,+∞)是隶属度的加权指数,一般设定为2。这就使得传统的FCM算法较硬分类来说,能够保持更多的图像信息。
但是FCM算法并没有考虑到周围邻域的信息,使得FCM算法对噪声非常的敏感,无法区别噪声点与非噪声点,对噪声的鲁棒性比较小。随着噪声的增大,算法性能越来越差,甚至无法实现低噪声环境下的有效图像分割。
发明内容
有鉴于此,本发明实施例的目的是提供一种FCM图像分割方法和装置,解决在较高噪声环境下模糊聚类方法不能有效完成图像分割的技术问题。
本发明实施例的FCM图像分割方法,包括初始化过程和迭代过程,在所述初始化过程中包括:
利用图像数据中样本点的邻域点的灰度值信息,形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1;
在所述迭代过程中包括:
在所述迭代过程的当前迭代中,通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧氏距离,形成所有所述邻域点相对样本点的当前迭代的加权局部距离项的集合S2,其中,所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点;
在所述迭代过程的当前迭代中,通过加权局部灰度项的集合S1,当前迭代的加权局部距离项的集合S2和前次迭代的聚类中心Viter-1,形成当前迭代的隶属度Uiter;
在迭代过程的当前迭代中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
本发明实施例的FCM图像分割装置,包括用于设定聚类初始条件的初始化模块和用于完成聚类过程的迭代模块,所述初始化模块包括:
加权局部灰度项集合生成子模块,用于利用图像数据中样本点的邻域点的灰度值信息,形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1;
所述迭代模块包括:
加权局部距离项集合生成子模块,用于在所述迭代过程的当前迭代中,通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧氏距离,形成所有所述邻域点相对样本点的当前迭代的加权局部距离项的集合S2,其中,所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点;
当前迭代隶属度生成子模块,用于在所述迭代过程的当前迭代中,通过加权局部灰度项的集合S1,当前迭代的加权局部距离项的集合S2和前次迭代的聚类中心Viter-1,形成当前迭代的隶属度Uiter;
当前迭代聚类中心生成子模块,在迭代过程的当前迭代中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
本发明的FCM图像分割方法及装置,在现有FCM图像分割方法的基础上提供了一种新的FCM图像分割的加权空间信息,利用加权局部距离项在欧氏距离dit上引用邻域点与中心点的灰度值差,由于中心点的灰度值随着每次迭代都在不断的变化,所以邻域点的每个点对中心点的影响在不断变化。邻域点与中心点的灰度值差比较小,即邻域点与中心点比较相似,该邻域点对中心点的影响就会增大;反之,邻域点与中心点的灰度差比较大,该邻域点对中心点的影响就会减少,所以本发明对噪声和奇异点具有更强的鲁棒性。加权局部灰度项表述了邻域点与中心点的相似度,相似度高的邻域点对中心点的贡献增大,相似度低的邻域点对中心点的贡献减少,加权局部灰度项相对于其他模糊聚类分割算法能够保持更多的图像细节。
附图说明
图1为本发明FCM图像分割方法一实施例的主要流程图。
图2为本发明一实施例的FCM图像分割方法一实施例的具体流程图。
图3为针对包含高斯噪声图像进行图像分割时,本发明FCM图像分割方法一实施例与其他FCM图像分割方法的效果对比示意图。
图4为本发明FCM图像分割装置一实施例的架构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图纸中的步骤编号仅用于作为该步骤的附图标记,不表示执行顺序。
图1为本发明FCM图像分割方法一实施例的主要流程图。如图1所示,包括初始化过程和迭代过程,其中初始化过程中包括:
步骤11:利用图像数据中样本点的邻域点的灰度值信息,形成所有邻域点相对样本点的加权局部灰度项的集合S1。
在迭代过程中包括:
步骤12:在迭代过程的当前迭代中,通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧氏距离,形成所有邻域点相对样本点的当前迭代的加权局部距离项的集合S2,其中,前次迭代的聚类中心Viter-1包括预设数量个聚类中心点。
需要说明的是在迭代过程的第一次迭代中,前次迭代的聚类中心Viter-1为初始聚类中心V0,前次迭代的隶属度Uiter-1为初始隶属度U0,初始聚类中心V0包括预设数量个聚类中心点。
步骤13:在迭代过程的当前迭代中,通过加权局部灰度项的集合S1,当前迭代的加权局部距离项的集合S2和前次迭代的聚类中心Viter-1,形成当前迭代的隶属度Uiter。
步骤14:在迭代过程的当前迭代中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
本实施例的FCM图像分割方法,在迭代处理过程引入的加权空间信息包括加权局部灰度和加权局部距离,利用了邻域点局部空间信息和邻域点与聚类中心的灰度值信息,能够有效过滤高频随机噪声,提高样本点对于噪声点的抗干扰性。
图2为本发明一实施例的FCM图像分割方法一实施例的具体流程图,如图2所示包括:
步骤a:输入待处理图像。
待处理图像含有噪声,噪声类型包括但不限于高斯噪声和椒盐噪声,噪声比率在此不做具体限定。在输入待处理图像过程中对分辨率、图像尺寸、色彩转换等基本步骤属于本领域惯常处理,本技术方案中不说明。
步骤b:设定模糊指数m、迭代停止阈值ε和最大迭代次数maxIter,并初始化聚类个数c和邻域窗口W。
以上参数与FCM算法中的含义相同。迭代停止阈值ε通常选择为1e-5,最大迭代次数maxIter小于500。
步骤c:利用图像数据中样本点的邻域点的灰度值信息,形成所有邻域点相对样本点的加权局部灰度项的集合S1。
步骤d:形成初次迭代的初始化隶属度U0和初始化聚类中心V0。
初始化隶属度U0利用0至1之间的随机数形成,初始化聚类中心V0利用图像各样本点特征值的初始化隶属度U0形成,初始化聚类中心V0包含c个聚类中心点,c值为预设值。
迭代过程包括:
步骤e:在迭代过程的当前迭代中(第iter次迭代,iter=1,2,…,maxIter),通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧氏距离,形成所有邻域点相对样本点的当前迭代的加权局部距离项的集合S2。
步骤f:在迭代过程的当前迭代中,通过加权局部灰度项的集合S1,当前迭代(第iter次迭代)的加权局部距离项的集合S2和前次迭代的聚类中心Viter-1,形成当前迭代(第iter次迭代)的隶属度Uiter。
步骤g:在迭代过程的当前迭代(第iter次迭代)中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
步骤h:判断当前迭代(第iter次迭代)前后的隶属度值差是否小于或等于迭代停止阈值ε或者迭代次数iter是否大于或等于最大迭代次数maxIter时,如果否,重复步骤e至步骤g进行下一次迭代计算隶属度和聚类中心,直至满足该条件为止;
如果是,则执行步骤i:完成图像分割并输出分割后的图像。
本发明实施例的FCM图像分割方法,通过引入加权空间信息,能够自动的控制噪声的鲁棒性和图片细节保持性的平衡,不需要任何参数的限制;并且本发明利用了局部空间信息和灰度值信息,使得算法更灵活,能够更好的保持图片的细节;同时本发明具有高鲁棒性,能够提高中心点对于噪声点的抗干扰性。
本发明实施例的目标函数如下:
式1中,i为样本点编号,i∈[0,N],其中N为样本点数量,t为样本点的邻域窗口W中的邻域点,m为模糊指数,uki为第i个样本点隶属于前次迭代的聚类中心点k的程度,xt为邻域点t的灰度值,vk为前次迭代的聚类中心点k的灰度值,k∈[1,c],c为聚类中心点的预设数量。
式1中,Wt为加权项的合项,其中为加权局部灰度项,为加权局部距离项。
加权局部灰度项:
其中:
加权局部灰度项中,为邻域窗口W中的邻域点t相对第i个样本点的加权局部灰度项,Ni为第i个样本点的邻域窗口,Zi为归一化项,dit为第i个样本点和邻域点t之间的欧氏距离,xt为邻域点t的灰度值,xi为第i个样本点的灰度值,||xi-xt||是第i个样本点与第i个样本点的邻域点t的灰度值差。
是邻域窗口中所有邻域点与中心点的灰度差的和,Ni为第i个样本点的邻域窗口,NR是邻域窗口的大小,例如邻域窗口是3*3,则NR等于9。
加权局部距离项:
加权局部距离项中,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项,m为模糊指数,dit为第i个样本点和邻域点t之间的欧氏距离,vk为前次迭代的聚类中心点k的灰度值,xt为样本点的邻域点t的灰度值,‖xt-vk‖为第i个样本点的邻域点t与前次迭代的聚类中心点k的灰度值差,k∈[1,c],c为预设聚类中心数量。ukt表示邻域点t对前次迭代的第k个聚类中心点的隶属度。
本发明实施例的FCM图像分割方法,利用加权局部灰度项保证图像的细节。利用加权局部距离项在欧氏距离dit上引用邻域点与中心点的灰度值差,由于中心点的灰度值随着每次迭代都在不断的变化,所以邻域点的每个点对中心点的影响在不断变化。邻域点与中心点的灰度值差比较小,即邻域点与中心点比较相似,该邻域点对中心点的影响就会增大;反之,邻域点与中心点的灰度差比较大,该邻域点对中心点的影响就会减少,所以本发明对噪声和奇异点具有更强的鲁棒性。能够使分割后的图像保留更多的图像细节,实现较好的分割效果。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,迭代过程包括初次迭代,利用随机函数初始化隶属度值,形成初始化隶属度U0,根据图像各样本点初始化隶属度U0计算初始聚类中心V0。具体包括:
步骤d1:利用随机函数随机初始化c-1个隶属度值uki,
步骤d2:计算第c个隶属度,
步骤d3:初始化迭代次数为0;
步骤d4:计算求得第k个聚类中心vk,循环c次得到第0次迭代的c个聚类中心点vk,得到第0次迭代的聚类中心V0=(v1,v2,…,vc),k∈[1,c],c为聚类中心点的预设数量;聚类中心点k的灰度值vk以如下公式表示:
式2中,vk表示当前迭代的聚类中心点k的灰度值,N表示图像中样本点的总数,m表示模糊指数,xi表示图像中第i个点的灰度值,uki表示前次迭代中邻域点i属于第k个聚类中心点的程度。
获得的初始隶属度U0和初始聚类中心V0形成迭代计算的运算基础。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,样本点的邻域点与前次迭代的聚类中心Viter-1形成灰度值差的过程包括:
步骤e1:根据预设的邻域窗口确定所述样本点邻域中的每个邻域点位置。
具体的,确定第i个样本点的邻域(窗口)各个邻域点的位置,利用坐标(x,y)标定第i个样本点的位置,利用(x+ii,y+jj)标定邻域内各邻域点的位置,例如预设邻域窗口N=p×q,ii为样本点坐标横向偏移量,jj为样本点纵向偏移量,则ii∈[-p/2,p/2],jj∈[-q/2,q/2]。
步骤e2:根据每个邻域点位置,获取每个所述邻域点的灰度值。
具体的,根据(x+ii,y+jj)坐标,找到第i个样本点的邻域点t,其灰度值记为xt。
步骤e3:形成每个所述邻域点与前次迭代的相应聚类中心Viter-1的灰度值差。
具体的,根据||xt-vk||计算第t个邻域点和前次迭代的第k个聚类中心的灰度值差。xt为样本点的邻域点t的灰度值,vk为前次迭代的第k个聚类中心点的灰度值,k∈[1,c],c为聚类中心点的预设数量。
本实施例的FCM图像分割方法,通过灰度值差求和形成第i个样本点的所有邻域点和前次迭代的第k个聚类中心点的灰度值差,获得样本点的邻域点与样本点相应隶属聚类中心间的灰度值的差值程度。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,加权局部灰度项的集合S1的形成过程,包括:
步骤e11:根据第i个样本点与邻域窗口中的邻域点t的位置,获得两者之间的欧氏距离dit。
步骤e12:形成第i个样本点与其邻域点t的所有灰度差值||xi-xt||。
步骤e13:根据形成所有邻域点相对样本点的加权局部灰度项的集合S1。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,当前迭代的加权局部距离项的集合S2的形成过程,包括:
步骤e21:根据第i个样本点与邻域窗口中的邻域点t的位置,获得两者之间的欧氏距离dit。
步骤e22:形成第i个样本点的所述邻域点t与相应聚类中心vk的灰度值差||xt-vk||,xt为样本点的邻域点t的灰度值。vk为前次迭代的第k个聚类中心点的灰度值,k∈[1,c],c为聚类中心点的预设数量。
步骤e23:形成第i个样本点的邻域点t与相应聚类中心点k的隶属度ukt。
步骤e24:根据形成所有邻域点相对所有聚类中的加权局部距离项的集合S2。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,当前迭代的加权局部距离项的集合S2的形成过程,具体包括:
根据||xt-vk||计算第i个样本点的第t个邻域点和前次迭代的第k个聚类中心点的灰度值差;
确定第i个样本点的邻域窗口各个邻域点的位置,利用坐标(x,y)标定第i个样本点的位置,利用(x+ii,y+jj)标定邻域内各邻域点的位置;
在邻域内确定一个邻域点的坐标,记为(x′,y′),计算第i个样本点(即中心点i)与邻域点t之间的欧氏距离
根据形成当前迭代的加权局部距离项的集合S2。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,形成当前迭代的隶属度Uiter的过程包括:
步骤f1:根据生成每个邻域点的加权项。其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项;
步骤f2:根据
计算第i个样本点属于第k个聚类中心点的隶属度。其中,Ni为第i个样本点的邻域窗口,vj为第j个聚类中心点的灰度值,c为聚类中心点的预设数量,xt-vk为第i个样本点的邻域点t与前次迭代的聚类中心点k的灰度值差,vk为前次迭代的聚类中心点k的灰度值,xt为样本点的邻域点t的灰度值,m为模糊指数。
步骤f3:获取所有样本点相对前次迭代的全部聚类中心点的隶属度,形成当前迭代的隶属度Uiter。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter的过程包括:
步骤g1:根据生成每个邻域点的加权项。其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项;
步骤g2:根据
形成当前迭代的聚类中心Viter。其中N为图像中样本点的总数,uki为前次迭代中第i个样本点属于第k个聚类中心点的程度,Ni为第i个样本点的邻域窗口,xt为样本点的邻域点t的灰度值,m为模糊指数。
在上述实施例基础上,在本发明另一实施例的FCM图像分割方法中,在形成当前迭代的聚类中心Viter之后,还包括:
判断当前迭代的迭代前后的隶属度值差是否小于预设的迭代停止阈值ε或者迭代次数是否超过预设的最大迭代次数,如果是,则完成图像分割并输出分割后的图像;如果否,则进行下一次迭代以计算隶属度和聚类中心,直至满足该条件为止。下一次迭代的隶属度和聚类中心计算过程采用上述各实施例中当前迭代的计算过程,不再赘述。
图3本发明FCM图像分割方法一实施例与其他FCM图像分割方法的效果对比示意图。如图3所示,图3(a)为脑图像的原始图像。图3(b)为在原始图像上加了方差为0.1的高斯噪声。
从图3(c)中可以看出FCM的处理结果最差,大部分噪声都没有去除,图像分割的效果非常差。从图3(d)中可以看出FCM_S处理的效果要比FCM好些,但是白质部分分类错误,信息完全丢失。从图3(e)和图3(f)中可以看出EnFCM和FGFCM的处理效果要比FCM_S好,但是由于EnFCM和FGFCM要预先对图片进行过滤,使得图片模糊,细节部分不能很好的保持。从图3(g)中可以看出FLICM能够除去大部分的噪声,但是灰质部分仍保留大量噪声。从图3(h)中可以看出本发明实施例的分割效果良好。FCM_S算法、EnFCM算法、FGFCM算法已经不能有效的分割脑图像,它们无法区别噪声和图像的灰度值,尤其是图中灰质和白质的地方,这些算法不能正确的分离出来。FLICM算法虽然能够正确的分对类,但是灰质部分模糊不清,图像中的很多点都分错类。本发明实施例不仅仅实现了正确的分割,而且灰质部分保存的相对完整。无论是从图片细节的保持还是对噪声的鲁棒性,实现了较为理想的分割效果。
与图3相对应的各图像分割方法的正确率对比如表1所示:
表1
原始图像中加入两种不同程度和不同类型的噪声,一种为高斯噪声(δ=0.05~0.20),即加入方差为0.05~0.20的高斯噪声;另一种为混合噪声,即在原始图像上同时加入高斯噪声和椒盐噪声。本发明采用的情况是在高斯噪声不变的情况下不断增大椒盐噪声,即在向图像加入方差为0.1的高斯噪声下,加入5%~20%的椒盐噪声。然后采用不同的FCM算法及本发明一实施例的FCM图像分割方法分别对噪声图像进行聚类,从而得到新的聚类图片。将新的聚类图片与原图像进行对比,求得分类的正确率。
由表1可见,本发明实施例的图像分割方法所得到的图像分割结果与原始图像相比,其分类的正确率无论是在高斯噪声还是混合噪声下,都高于FCM算法及其改进的算法,当噪声的比例增加时,本发明的结果优势明显。
本发明实施例的分割方法的加权空间项Wt能够自动的控制噪声的鲁棒性和图片细节保持性的平衡,不需要任何参数的限制。并且在算法的每次迭代中,Wt都会改变,而不像FCM_S,EnFCM,FGFCM算法中的用来控制噪声的鲁棒性和图片细节保持性的平衡的参数,一旦确定就无法改变。Wt的改变更好的利用了局部空间信息和灰度值信息,使得算法更灵活,对噪声具有更强的鲁棒性,能够更好的保持图片的细节。
图4为本发明FCM图像分割装置一实施例的架构示意图。如图4所示,包括用于设定聚类初始条件的初始化模块和用于完成聚类过程的迭代模块,初始化模快包括:
加权局部灰度项集合生成子模块100,用于利用图像数据中样本点的邻域点的灰度值信息,形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1。
迭代模块包括:
加权局部距离项集合生成子模块200,用于在所述迭代过程的当前迭代中,通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧氏距离,形成所有所述邻域点相对样本点的当前迭代的加权局部距离项的集合S2,其中,所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点;
当前迭代隶属度生成子模块300,用于在所述迭代过程的当前迭代中,通过加权局部灰度项的集合S1,当前迭代的加权局部距离项的集合S2和前次迭代的聚类中心Viter-1,形成当前迭代的隶属度Uiter;
当前迭代聚类中心生成子模块400,在迭代过程的当前迭代中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
本实施例的FCM图像分割装置,在迭代处理过程引入的加权空间信息包括加权局部灰度和加权局部距离,利用了邻域点局部空间信息和邻域点与聚类中心的灰度值信息,
在本发明FCM图像分割装置一实施例中,迭代模块还包括:
初始化隶属度子模块510,用于利用随机函数初始化隶属度值,形成初始化隶属度U0;
初始化聚类中心子模块520,用于根据图像各样本点初始化隶属度U0计算初始聚类中心V0。
在本发明FCM图像分割装置一实施例中,迭代模块还包括迭代终止判断子模块600,用于判断当前迭代的迭代前后的隶属度值差是否小于或等于预设的迭代停止阈值ε或者迭代次数是否大于或等于预设的最大迭代次数,如果是,则完成图像分割并输出分割后的图像;如果否,则进行下一次迭代以计算隶属度和聚类中心,直至满足该条件为止。
下一次迭代的隶属度和聚类中心计算过程采用迭代模块来完成,如可以采用上述加权局部距离项集合生成子模块200、当前迭代隶属度生成子模块300以及当前迭代聚类中心生成子模块400来完成。
本发明实施例的FCM图像分割装置,通过引入加权空间信息,能够自动的控制噪声的鲁棒性和图片细节保持性的平衡,不需要任何参数的限制;并且本发明利用了局部空间信息和灰度值信息,使得算法更灵活,能够更好的保持图片的细节;同时本发明具有高鲁棒性,能够提高中心点对于噪声点的抗干扰性。
在本发明FCM图像分割装置一实施例中,加权局部灰度项集合生成子模块100包括:
加权局部灰度项生成单元130,用于根据形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1,为邻域窗口W中的邻域点t相对第i个样本点的加权局部灰度项,NR为邻域窗口的大小,Zi为归一化项,dit为第i个样本点和邻域点t之间的欧氏距离,xt为邻域点t的灰度值,xi为第i个样本点的灰度值。
在本发明FCM图像分割装置一实施例中,加权局部灰度项集合生成子模块100还包括:
第一欧氏距离生成单元110,用于根据第i个样本点与邻域窗口中的邻域点t的位置,获得两者之间的欧氏距离dit。
第一灰度差值生成单元120,用于形成第i个样本点与其邻域点t的所有灰度差值||xi-xt||。
在本发明FCM图像分割装置一实施例中,加权局部距离项集合生成子模块200包括:
第二欧氏距离生成单元210,用于根据第i个样本点与邻域窗口中的邻域点t的位置,获得两者之间的欧氏距离dit。
第二灰度差值生成单元220,用于形成第i个样本点的所述邻域点t与相应聚类中心vk的灰度值差||xt-vk||,xt为样本点的邻域点t的灰度值。vk为前次迭代的第k个聚类中心点的灰度值,k∈[1,c],c为聚类中心点的预设数量。
邻域点隶属度生成单元230,用于形成第i个样本点的邻域点t与相应第k个聚类中心点的隶属度ukt。
加权局部距离项生成单元240,用于根据形成所有邻域点相对所有聚类中的加权局部距离项的集合S2,其中,m为模糊指数,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项。
本发明实施例的FCM图像分割方法,利用加权局部灰度项保证图像的细节。利用加权局部距离项在欧氏距离dit上引用邻域点与中心点的灰度值差,由于中心点的灰度值随着每次迭代都在不断的变化,所以邻域点的每个点对中心点的影响在不断变化。邻域点与中心点的灰度值差比较小,即邻域点与中心点比较相似,该邻域点对中心点的影响就会增大;反之,邻域点与中心点的灰度差比较大,该邻域点对中心点的影响就会减少,所以本发明对噪声和奇异点具有更强的鲁棒性。能够使分割后的图像保留更多的图像细节,实现较好的分割效果。
在本发明FCM图像分割装置一实施例中,第二灰度差值生成单元220包括:
邻域点位置确定子单元221,用于根据预设的邻域窗口确定所述样本点邻域中的每个邻域点位置。每个邻域点位置为(x+ii,y+jj),其中样本点的坐标位置为(x,y),邻域窗口的尺寸为p×q,ii为样本点坐标横向偏移量,jj为样本点纵向偏移量,ii∈[-p/2,p/2],jj∈[-q/2,q/2]。
邻域点灰度确定子单元222,用于根据每个邻域点位置,获取每个所述邻域点的灰度值。
灰度值差确定子单元223,用于形成每个所述邻域点与前次迭代的相应聚类中心Viter-1的灰度值差。其中根据||xt-vk||形成所有样本点的邻域点与前次迭代的相应聚类中心的灰度值差,xt为样本点的邻域点t的灰度值,vk为前次迭代的聚类中心点k的灰度值,k∈[1,c],c为聚类中心点的预设数量。
在本发明FCM图像分割装置一实施例中,当前迭代隶属度生成子模块300包括:
第一邻域点加权项确定单元310,用于根据生成每个邻域点的加权项,其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项。
邻域点隶属度确定单元320,用于根据计算第i个样本点属于第k个聚类中心点的隶属度,其中,Ni为第i个样本点的邻域窗口,vj为第j个聚类中心点的灰度值,c为聚类中心点的预设数量,xt-vk为第i个样本点的邻域点t与前次迭代的聚类中心点k的灰度值差,vk为前次迭代的第k个聚类中心点的灰度值,xt为样本点的邻域点t的灰度值,m为模糊指数。
当前迭代隶属度确定单元330,用于获取所有样本点相对前次迭代的全部聚类中心点的隶属度,形成当前迭代的隶属度Uiter。
在本发明FCM图像分割装置一实施例中,当前迭代聚类中心生成子模块400包括:
第二邻域点加权项确定单元410,用于根据生成每个邻域点的加权项,其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项。
当前迭代聚类中心确定单元420,用于根据形成当前迭代的聚类中心Viter,其中N为图像中样本点的总数,uki为前次迭代中第i个样本点属于第k个聚类中心点的程度。
从本发明图3(a)、图3(b)和图3(c)中可以看出,采用本装置不仅仅实现了正确的分割,而且脑图像的灰质部分保存的相对完整。无论是从图片细节的保持还是对噪声的鲁棒性,实现了较为理想的分割效果。并且在算法的每次迭代中,Wt都会改变,而不像FCM_S,EnFCM,FGFCM算法中的用来控制噪声的鲁棒性和图片细节保持性的平衡的参数,一旦确定就无法改变。Wt的改变更好的利用了局部空间信息和灰度值信息,使得算法更灵活,对噪声具有更强的鲁棒性,能够更好的保持图片的细节。
本发明实施例中FCM图像分割装置的具体实现和有益效果可参见FCM图像分割方法,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (17)
1.一种FCM图像分割方法,包括初始化过程和迭代过程,其特征在于,在所述初始化过程中包括:
利用图像数据中样本点的邻域点的灰度值信息,形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1;
在所述迭代过程中包括:
在所述迭代过程的当前迭代中,通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧氏距离,形成所有所述邻域点相对样本点的当前迭代的加权局部距离项的集合S2,其中,所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点;
在所述迭代过程的当前迭代中,通过加权局部灰度项的集合S1,当前迭代的加权局部距离项的集合S2和前次迭代的聚类中心Viter-1,形成当前迭代的隶属度Uiter;
在迭代过程的当前迭代中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
2.如权利要求1所述的FCM图像分割方法,其特征在于:所述迭代过程还包括初次迭代:
利用随机函数初始化隶属度值,形成初始化隶属度U0;
根据图像各样本点初始化隶属度U0计算初始聚类中心V0。
3.如权利要求1所述的FCM图像分割方法,所述加权局部灰度项的集合S1的形成过程,包括:
根据形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1,为邻域窗口W中的邻域点t相对第i个样本点的加权局部灰度项,NR为邻域窗口的大小,Zi为归一化项,dit为第i个样本点和邻域点t之间的欧氏距离,xt为邻域点t的灰度值,xi为第i个样本点的灰度值。
4.如权利要求1所述的FCM图像分割方法,其特征在于,所述样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差的形成过程,包括:
根据预设的邻域窗口确定所述样本点邻域中的每个邻域点位置;
根据每个邻域点位置,获取每个所述邻域点的灰度值;
形成每个所述邻域点与前次迭代的相应聚类中心Viter-1的灰度值差。
5.如权利要求4所述的FCM图像分割方法,其特征在于,所述根据邻域窗口确定所述样本点邻域中的每个邻域点位置包括:
预设邻域窗口的尺寸为p×q;
确定样本点的坐标位置为(x,y);
根据邻域窗口的尺寸,确定所述样本点的邻域窗口内的每个邻域点位置(x+ii,y+jj),其中ii为样本点坐标横向偏移量,jj为样本点纵向偏移量,ii∈[-p/2,p/2],jj∈[-q/2,q/2];
所述形成每个所述邻域点与前次迭代的相应聚类中心Viter-1的灰度值差包括:
根据||xt-vk||形成所有样本点的邻域点与前次迭代的相应聚类中心的灰度值差,xt为样本点的邻域点t的灰度值,vk为前次迭代的聚类中心点k的灰度值,k∈[1,c],c为聚类中心点的预设数量。
6.如权利要求4所述的FCM图像分割方法,其特征在于,所述当前迭代的加权局部距离项的集合S2的形成过程,包括:
根据第i个样本点与邻域窗口中的邻域点t的位置,获得两者之间的欧氏距离dit;
形成第i个样本点的所述邻域点t与相应聚类中心vk的灰度值差||xt-vk||,xt为样本点的邻域点t的灰度值,vk为前次迭代的第k个聚类中心点的灰度值,k∈[1,c],c为聚类中心点的预设数量;
形成第i个样本点的邻域点t与相应聚类中心点k的隶属度ukt;
根据形成所有所述邻域点相对所有聚类中的加权局部距离项的集合S2,其中,m为模糊指数,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项。
7.如权利要求1所述的FCM图像分割方法,其特征在于,形成当前迭代的隶属度Uiter的过程包括:
根据生成每个邻域点的加权项,其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项;
根据计算第i个样本点属于第k个聚类中心点的隶属度,其中,Ni为第i个样本点的邻域窗口,vj为第j个聚类中心点的灰度值,c为聚类中心点的预设数量,xt-vk为第i个样本点的邻域点t与前次迭代的聚类中心点k的灰度值差,vk为前次迭代的聚类中心点k的灰度值,xt为样本点的邻域点t的灰度值,m为模糊指数;
获取所有样本点相对前次迭代的全部聚类中心点的隶属度,形成当前迭代的隶属度Uiter。
8.如权利要求1所述的图像分割方法,其特征在于,所述根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter的过程包括:
根据生成每个邻域点的加权项,其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项;
根据形成当前迭代的聚类中心Viter,其中N为图像中样本点的总数,uki为前次迭代中第i个样本点属于第k个聚类中心点的程度。
9.如权利要求1、2、3、4、5、6、7、8中任意一项所述的FCM图像分割方法,在形成当前迭代的聚类中心Viter之后,还包括:
判断当前迭代的迭代前后的隶属度值差是否小于或等于预设的迭代停止阈值ε或者迭代次数是否大于或等于预设的最大迭代次数,如果是,则完成图像分割并输出分割后的图像;如果否,则进行下一次迭代以计算隶属度和聚类中心,直至满足该条件为止。
10.一种FCM图像分割装置,包括用于设定聚类初始条件的初始化模块和用于完成聚类过程的迭代模块,其特征在于,所述初始化模块包括:
加权局部灰度项集合生成子模块,用于利用图像数据中样本点的邻域点的灰度值信息,形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1;
所述迭代模块包括:
加权局部距离项集合生成子模块,用于在所述迭代过程的当前迭代中,通过样本点的邻域点与前次迭代的聚类中心Viter-1的灰度值差、前次迭代的隶属度Uiter-1和空间欧氏距离,形成所有所述邻域点相对样本点的当前迭代的加权局部距离项的集合S2,其中,所述前次迭代的聚类中心Viter-1包括预设数量个聚类中心点;
当前迭代隶属度生成子模块,用于在所述迭代过程的当前迭代中,通过加权局部灰度项的集合S1,当前迭代的加权局部距离项的集合S2和前次迭代的聚类中心Viter-1,形成当前迭代的隶属度Uiter;
当前迭代聚类中心生成子模块,在迭代过程的当前迭代中,根据当前迭代的隶属度Uiter,形成当前迭代的聚类中心Viter。
11.如权利要求10所述FCM图像分割装置,其特征在于,所述迭代模块还包括:
初始化隶属度子模块,用于利用随机函数初始化隶属度值,形成初始化隶属度U0;
初始化聚类中心子模块,用于根据图像各样本点初始化隶属度U0计算初始聚类中心V0。
12.如权利要求10所述FCM图像分割装置,其特征在于,所述迭代模块还包括迭代终止判断子模块,用于判断当前迭代的迭代前后的隶属度值差是否小于预设的迭代停止阈值ε或者迭代次数是否超过预设的最大迭代次数,如果是,则完成图像分割并输出分割后的图像;如果否,则进行下一次迭代以计算隶属度和聚类中心,直至满足该条件为止。
13.如权利要求10所述FCM图像分割装置,其特征在于,所述加权局部灰度项集合生成子模块包括:
第一欧氏距离生成单元,用于根据第i个样本点与邻域窗口中的邻域点t的位置,获得两者之间的欧氏距离dit;
第一灰度差值生成单元,用于形成第i个样本点与其邻域点t的所有灰度差值||xi-xt||;
加权局部灰度项生成单元,用于根据形成所有所述邻域点相对所述样本点的加权局部灰度项的集合S1,为邻域窗口W中的邻域点t相对第i个样本点的加权局部灰度项,NR为邻域窗口的大小,Zi为归一化项,dit为第i个样本点和邻域点t之间的欧氏距离,xt为邻域点t的灰度值,xi为第i个样本点的灰度值。
14.如权利要求10所述FCM图像分割装置,其特征在于,所述加权局部距离项集合生成子模块包括:
第二欧氏距离生成单元,用于根据第i个样本点与邻域窗口中的邻域点t的位置,获得两者之间的欧氏距离dit;
第二灰度差值生成单元,用于形成第i个样本点的所述邻域点t与相应聚类中心vk的灰度值差||xt-vk||,xt为样本点的邻域点t的灰度值,vk为前次迭代的第k个聚类中心点的灰度值,k∈[1,c],c为聚类中心点的预设数量;
邻域点隶属度生成单元,用于形成第i个样本点的邻域点t与相应聚类中心点k的隶属度ukt;
加权局部距离项生成单元,用于根据形成所有邻域点相对所有聚类中的加权局部距离项的集合S2,其中,m为模糊指数,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项。
15.如权利要求14所述FCM图像分割装置,其特征在于,所述第二灰度差值生成单元包括:
邻域点位置确定子单元,用于根据预设的邻域窗口确定所述样本点邻域中的每个邻域点位置;
邻域点灰度确定子单元,用于根据每个邻域点位置,获取每个所述邻域点的灰度值;
灰度值差确定子单元,用于形成每个所述邻域点与前次迭代的相应聚类中心Viter-1的灰度值差,其中根据||xt-vk||形成所有样本点的邻域点与前次迭代的相应聚类中心的灰度值差,xt为样本点的邻域点t的灰度值,vk为前次迭代的聚类中心点k的灰度值,k∈[1,c],c为聚类中心点的预设数量。
16.如权利要求10所述FCM图像分割装置,其特征在于,所述当前迭代隶属度生成子模块包括:
第一邻域点加权项确定单元,用于根据生成每个邻域点的加权项,其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项;
邻域点隶属度确定单元,用于根据计算第i个样本点属于第k个聚类中心点的隶属度,其中,Ni为第i个样本点的邻域窗口,vj为第j个聚类中心点的灰度值,c为聚类中心点的预设数量,xt-vk为第i个样本点的邻域点t与前次迭代的聚类中心点k的灰度值差,vk为前次迭代的聚类中心点k的灰度值,xt为样本点的邻域点t的灰度值,m为模糊指数;
当前迭代隶属度确定单元,用于获取所有样本点相对前次迭代的全部聚类中心点的隶属度,形成当前迭代的隶属度Uiter。
17.如权利要求10所述FCM图像分割装置,其特征在于,所述当前迭代聚类中心生成子模块包括:
第二邻域点加权项确定单元,用于根据生成每个邻域点的加权项,其中Wt为邻域窗口W中的邻域点t的加权项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部灰度项,为第i个样本点的邻域窗口中的邻域点t相对第i个样本点的加权局部距离项;
当前迭代聚类中心确定单元,用于根据形成当前迭代的聚类中心Viter,其中N为图像中样本点的总数,uki为前次迭代中第i个样本点属于第k个聚类中心点的程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116695.5A CN106600610B (zh) | 2016-12-07 | 2016-12-07 | 一种fcm图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116695.5A CN106600610B (zh) | 2016-12-07 | 2016-12-07 | 一种fcm图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600610A true CN106600610A (zh) | 2017-04-26 |
CN106600610B CN106600610B (zh) | 2020-03-31 |
Family
ID=58597129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611116695.5A Active CN106600610B (zh) | 2016-12-07 | 2016-12-07 | 一种fcm图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600610B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292840A (zh) * | 2017-06-07 | 2017-10-24 | 上海智臻智能网络科技股份有限公司 | 图像复原方法及装置、计算机可读存储介质、终端 |
CN107316060A (zh) * | 2017-06-16 | 2017-11-03 | 鲁东大学 | 基于像素局部信息及非局部信息的模糊聚类图像分割方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN111368880A (zh) * | 2020-02-17 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 图像聚类方法、装置、电子设备及计算机可读存储介质 |
CN112734668A (zh) * | 2021-01-07 | 2021-04-30 | 中国工商银行股份有限公司 | 图像修复方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090080768A1 (en) * | 2007-09-20 | 2009-03-26 | Chung Shan Institute Of Science And Technology, Armaments Bureau, M.N.D. | Recognition method for images by probing alimentary canals |
CN104156943A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 |
CN104881852A (zh) * | 2015-06-11 | 2015-09-02 | 西安电子科技大学 | 基于免疫克隆和模糊核聚类的图像分割方法 |
CN105654453A (zh) * | 2014-11-10 | 2016-06-08 | 华东师范大学 | 一种鲁棒性的fcm图像分割方法 |
-
2016
- 2016-12-07 CN CN201611116695.5A patent/CN106600610B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090080768A1 (en) * | 2007-09-20 | 2009-03-26 | Chung Shan Institute Of Science And Technology, Armaments Bureau, M.N.D. | Recognition method for images by probing alimentary canals |
CN104156943A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 |
CN105654453A (zh) * | 2014-11-10 | 2016-06-08 | 华东师范大学 | 一种鲁棒性的fcm图像分割方法 |
CN104881852A (zh) * | 2015-06-11 | 2015-09-02 | 西安电子科技大学 | 基于免疫克隆和模糊核聚类的图像分割方法 |
Non-Patent Citations (1)
Title |
---|
侯丽丽: ""面向图像分割的空间信息约束的模糊聚类算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292840A (zh) * | 2017-06-07 | 2017-10-24 | 上海智臻智能网络科技股份有限公司 | 图像复原方法及装置、计算机可读存储介质、终端 |
CN107292840B (zh) * | 2017-06-07 | 2020-01-17 | 上海智臻智能网络科技股份有限公司 | 图像复原方法及装置、计算机可读存储介质、终端 |
CN107316060A (zh) * | 2017-06-16 | 2017-11-03 | 鲁东大学 | 基于像素局部信息及非局部信息的模糊聚类图像分割方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN107492099B (zh) * | 2017-08-28 | 2021-08-20 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN111368880A (zh) * | 2020-02-17 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 图像聚类方法、装置、电子设备及计算机可读存储介质 |
CN111368880B (zh) * | 2020-02-17 | 2023-09-05 | 杭州海康威视系统技术有限公司 | 图像聚类方法、装置、电子设备及计算机可读存储介质 |
CN112734668A (zh) * | 2021-01-07 | 2021-04-30 | 中国工商银行股份有限公司 | 图像修复方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106600610B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600610A (zh) | 一种fcm图像分割方法及装置 | |
Hrosik et al. | Brain image segmentation based on firefly algorithm combined with k-means clustering | |
CN105654453B (zh) | 一种鲁棒性的fcm图像分割方法 | |
CN104899926B (zh) | 医学图像分割方法和装置 | |
CN104123561B (zh) | 基于空间引力模型的模糊c均值遥感影像自动分类方法 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN108363970A (zh) | 一种鱼种类的识别方法和系统 | |
Chou et al. | Turbulent-PSO-based fuzzy image filter with no-reference measures for high-density impulse noise | |
CN104156945B (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN104794693B (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
CN108764358A (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
CN107169962A (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN106682678B (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
Kumar et al. | An improved method of segmentation using fuzzy-neuro logic | |
CN107506795A (zh) | 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法 | |
CN104881852B (zh) | 基于免疫克隆和模糊核聚类的图像分割方法 | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
Niu et al. | Siamese-network-based learning to rank for no-reference 2D and 3D image quality assessment | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
Lu et al. | Textured image segmentation using autoregressive model and artificial neural network | |
Sang et al. | A biologically-inspired top-down learning model based on visual attention | |
Abin et al. | Blending of contrast enhancement techniques for chest x-ray pneumonia images | |
CN105389573B (zh) | 一种基于局部三值模式分层重构的人脸识别方法 | |
CN106504260A (zh) | 一种fcm图像分割方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |