CN107316060A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107316060A CN107316060A CN201710458600.6A CN201710458600A CN107316060A CN 107316060 A CN107316060 A CN 107316060A CN 201710458600 A CN201710458600 A CN 201710458600A CN 107316060 A CN107316060 A CN 107316060A
- Authority
- CN
- China
- Prior art keywords
- mrow
- pixel
- msubsup
- msub
- image
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种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，属于图像处理技术领域。所述方法包括提取给定图像中像素的灰度特征以及邻域特征，得到图像的特征信息集；随机化生成像素的隶属度；设计分割算法的聚类中心对，并设计分割的能量函数；通过迭代过程，对分割的能量函数进行最小化，在迭代过程中，基于拉格朗日算子法对像素的隶属度以及聚类中心对进行更新；迭代过程完成，基于最大隶属度原则对像素的隶属度去模糊化，实现对给定图像的分割，输出最终的分割结果。本发明不仅可以有效地利用像素的邻域信息，保持图像分割的细节，而且可以充分利用图像中像素的非局部信息，提高算法的鲁棒性。
Description
技术领域
本发明涉及图像处理技术领域，特别是指一种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。
背景技术
图像是人类从客观世界获取信息的重要来源和传递信息的重要媒介，随着计算机、互联网等技术的发展，数字图像处理技术在工业、医疗、军事、交通等行业中发挥着日益重要的作用。
为了有效利用图像中的相关信息，需要对图像进行分割，提取图像中感兴趣的区域。从本质上讲，图像分割就是把图像分为互不相交的部分，每一部分中的像素具有相同或相类似的特征，这里的特征可以是颜色、纹理等。图像分割是模式识别、计算机视觉、图像理解等领域的最重要的基础环节，它是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。
在众多图像分割算法中，模糊C-均值(fuzzy c-means，FCM)是最为典型的一种。与K-means等方法相比，FCM算法允许一个像素同时以不同的隶属度隶属于多个类，因而可以从原图像中保留尽可能多的信息，因而FCM算法可以获得较好的分割效果。具体实现时，FCM算法是通过最小化分割的能量函数实现图像分割。能量函数定义为像素与聚类中心的加权距离实现图像分割，形式化为：
其中C是预定义的图像中的聚类数目，n是给定图像中像素的数目，uij是第j个像素隶属于第i类的隶属度，m＞1是模糊因子，dij＝|xj-vi|是像素与聚类中心之间的欧氏距离，vi是第i个聚类中心。同时，像素的隶属度uij需要满足约束条件最小化(7)式的能量函数通常采用拉格朗日算子法。
传统的FCM算法在分割时，由于没有利用像素的邻域信息，对含有图像的噪声进行分割时，分割效果不理想，而噪声在图像中是普遍存在的，因而设计具有较强鲁棒性的分割算法是图像分割的研究热点和难点。
发明内容
本发明提供一种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，其不仅可以有效地利用像素的邻域信息，保持图像分割的细节，而且可以充分利用图像中像素的非局部信息，提高算法的鲁棒性。
为解决上述技术问题，本发明提供技术方案如下：
一种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，包括：
步骤1：提取给定图像中像素的灰度特征以及邻域特征，得到图像的特征信息集，所述特征信息集包括灰度特征信息集和邻域特征信息集；
步骤2：随机化生成像素的隶属度；
步骤3：基于得到的像素的隶属度以及像素的特征信息集，设计分割算法的聚类中心对，并设计分割的能量函数；
步骤4：通过迭代过程，对分割的能量函数进行最小化，在迭代过程中，基于拉格朗日算子法对像素的隶属度以及聚类中心对进行更新；
步骤5：迭代过程完成，基于最大隶属度原则对像素的隶属度去模糊化，实现对给定图像的分割，输出最终的分割结果。
本发明具有以下有益效果：
本发明的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，首先提取给定图像中像素的灰度特征以及像素的邻域特征，随机化生成像素的隶属度，并基于像素的灰度特征以及邻域特征，设计并计算聚类算法的聚类中心对，并构建分割算法的能量函数，在能量函数最小化的过程中，不断对像素的隶属度和聚类中心对进行更新，循环迭代，最终实现给定图像的分割。在图像分割的过程中，不仅有效地利用了像素的邻域信息(即像素的局部信息)，较好地保持图像分割的细节；而且基于得到的像素的隶属度以及像素的特征信息集，设计了分割算法的聚类中心对，并设计了分割算法的能量函数，可以充分利用图像中像素的非局部信息，提高了算法的鲁棒性。
附图说明
图1为本发明的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的流程示意图；
图2为本发明的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的原理示意图；
图3为本发明应用于含有噪声的合成图像的分割结果；
图4是本发明应用于含有噪声的自然图像的分割结果。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明提供一种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，如图1～图4所示，包括：
步骤1：提取给定图像中像素的灰度特征以及邻域特征，得到图像的特征信息集，特征信息集包括灰度特征信息集和邻域特征信息集；
步骤2：随机化生成像素的隶属度；
步骤3：基于得到的像素的隶属度以及像素的特征信息集，设计分割算法的聚类中心对，并设计分割的能量函数；
步骤4：通过迭代过程，对分割的能量函数进行最小化，在迭代过程中，基于拉格朗日算子法对像素的隶属度以及聚类中心对进行更新；
步骤5：迭代过程完成，基于最大隶属度原则对像素的隶属度去模糊化，实现对给定图像的分割，输出最终的分割结果。
本发明的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，首先提取给定图像中像素的灰度特征以及像素的邻域特征，随机化生成像素的隶属度，并基于像素的灰度特征以及邻域特征，设计并计算聚类算法的聚类中心对，并构建分割算法的能量函数，在能量函数最小化的过程中，不断对像素的隶属度和聚类中心对进行更新，循环迭代，最终实现给定图像的分割。在图像分割的过程中，不仅有效地利用了像素的邻域信息(即像素的局部信息)，较好地保持图像分割的细节；而且基于得到的像素的隶属度以及像素的特征信息集，设计了分割算法的聚类中心对，并设计了分割算法的能量函数，可以充分利用图像中像素的非局部信息，提高了算法的鲁棒性。
进一步的，步骤1中，特征信息集为：
其中，X是给定图像的灰度特征信息集，xj为第j个像素的灰度值，n为图像中像素点的个数，是给定图像的邻域特征信息集，为第j个像素的邻域特征值，具体是指以第j个像素为中心的邻域窗口中，像素灰度值的中值。
本发明中，提取像素的灰度特征以及邻域特征，为后续的分割做好准备工作。
优选的，步骤2中，像素的隶属度为uij，使其满足0≤uij≤1且其中uij是指第j个像素隶属于第i类的隶属度。
本发明中，步骤3可以包括：
步骤31：将分割算法的聚类中心优选设计为一个二元有序对
其中vi是基于图像灰度特征信息集X＝{x1，x2，...，xn}的聚类中心，是基于图像邻域特征信息集的聚类中心；
步骤32：设计分割算法的能量函数：
其中代表像素与相应聚类中心之间的欧氏距离，是以第j个像素为中心，半径为r的正方形窗口，NR是中包含的像素数目，α是邻域像素对中心像素的影响因子，m＞1是模糊因子，n为图像中像素点的个数。
本发明中，聚类中心对和能量函数是分割算法的关键，由于中半径r可以覆盖到整个图像，因此中的信息可以认为是图像的非局部信息，而中包含的是像素的邻域信息，因此本发明设计的能量函数综合考虑了像素的局部信息和非局部信息，在分割时既可以有效抑制噪声的影响，又可以从一定程度上保证分割的细节。
本发明中，参数α可以取值为2，模糊因子m可以取值为2。在窗口中，随着半径r的增大，将考虑更多的非局部信息，虽然提高了算法的鲁棒性，但会降低算法的运行效率。本发明方法中，r的值可以设置为2，既可以保证较好的分割效果，同时又可以确保算法的运行效率。
进一步的，步骤4可以包括：
步骤41：按公式(3)更新像素的隶属度：
步骤42：按公式(4)更新vi：
步骤43：按公式(5)更新
当两次迭代过程中能量函数的差值小于预设的阈值ε或迭代次数达到预设的最大次数时，迭代过程结束。
本发明在迭代过程中，不断更新聚类中心对和像素的隶属度，使得能量函数最小化，使像素逐渐隶属于相应的聚类。
优选的，步骤6中，其中第j个像素将被分配为第i类，其中：
本发明的内容可以通过以下的仿真结果进一步进行说明。
1、仿真内容：应用本发明方法与FCM方法，对合成图像和自然图像的分割进行说明。
2、仿真结果
图3为本发明方法应用于合成图像。其中图3(a)为第一幅合成图像，图3(b)与图3(c)分别为图3(a)的FCM方法的分割结果和本发明方法的分割结果；图3(d)为第二幅合成图像，图3(e)与图3(f)分别为图3(d)的FCM方法的分割结果和本发明方法的分割结果；图3(g)为第三幅合成图像，图3(h)和图3(i)是图3(g)的FCM方法的分割结果和本发明方法的分割结果。
图4为本发明方法应用于自然图像。其中图4(a)为第一幅自然图像，图4(b)与图4(c)分别为图4(a)的FCM方法的分割结果和本发明方法的分割结果；图4(d)为第二幅自然图像，图4(e)与图4(f)分别为图4(d)的FCM方法的分割结果和本发明方法的分割结果；图4(g)为第三幅自然图像，图4(h)和图4(i)是图4(g)的FCM方法的分割结果和本发明方法的分割结果。
从图3和图4可以看出，FCM方法对有噪声的图像进行分割取得的分割结果很大程度地受到了噪声的影响，分割结果中依然存在大量的噪声和小区域，结果不尽人意；相对于FCM方法，本发明的方法可以有效去除图像中存在的噪声，分割结果中的小区域也明显少于FCM算法。因而本方法可以取得令人满意的分割效果，在抗噪性上明显优于现有的FCM算法。
本发明的方法对像素的隶属度进行更新时，不仅要考虑与灰度特征信息集相关的聚类中心，同时需要考虑与邻域特征信息集有关的聚类中心。以对图3(g)的分割为例，FCM算法最终分割得到的四个聚类中心为：50.8380、134.9163、213.2004和252.3652，而本发明方法最后得到的四个聚类中心对分别为：(52.7885，52.5274)、(136.0023，135.8818)、(219.0825,219.6939)、(253.9271，254.1158)。在图像分割迭代生成最终聚类中心的过程中，充分利用像素的局部信息和非局部信息，既可以较好地保持图像的细节，又可以抑制噪声对分割结果的影响。
综上，本发明基于像素的局部信息以及非局部信息，提出了一种改进的模糊聚类图像分割算法。利用像素的局部信息，可以较好地保持图像的细节信息，而基于像素的非局部信息，则可以提高算法的鲁棒性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种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，其特征在于，包括：
步骤1：提取给定图像中像素的灰度特征以及邻域特征，得到图像的特征信息集，所述特征信息集包括灰度特征信息集和邻域特征信息集；
步骤2：随机化生成像素的隶属度；
步骤3：基于得到的像素的隶属度以及像素的特征信息集，设计分割算法的聚类中心对，并设计分割的能量函数；
步骤4：通过迭代过程，对分割的能量函数进行最小化，在迭代过程中，基于拉格朗日算子法对像素的隶属度以及聚类中心对进行更新；
步骤5：迭代过程完成，基于最大隶属度原则对像素的隶属度去模糊化，实现对给定图像的分割，输出最终的分割结果。
2.根据权利要求1所述的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，其特征在于，所述步骤1中，所述特征信息集为：
其中，X是给定图像的灰度特征信息集，xj为第j个像素的灰度值，n为图像中像素点的个数，是给定图像的邻域特征信息集，为第j个像素的邻域特征值，具体是指以第j个像素为中心的邻域窗口中，像素灰度值的中值。
3.根据权利要求1所述的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，其特征在于，所述步骤2中，所述像素的隶属度为uij，使其满足0≤uij≤1且其中uij是指第j个像素隶属于第i类的隶属度。
4.根据权利要求3所述的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，其特征在于，所述步骤3包括：
步骤31：将分割算法的聚类中心设计为一个二元有序对
其中vi是基于图像灰度特征信息集X＝{x1，x2，...，xn}的聚类中心，是基于图像邻域特征信息集的聚类中心；
步骤32：设计分割算法的能量函数：
<mrow>
<mi>J</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&Element;</mo>
<msubsup>
<mi>W</mi>
<mi>j</mi>
<mi>r</mi>
</msubsup>
</mrow>
</munder>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中代表像素与相应聚类中心之间的欧氏距离，是以第j个像素为中心，半径为r的正方形窗口，NR是中包含的像素数目，α是邻域像素对中心像素的影响因子，m＞1是模糊因子，n为图像中像素点的个数。
5.根据权利要求4所述的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，其特征在于，所述步骤4包括：
步骤41：按公式(3)更新像素的隶属度：
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>&Element;</mo>
<msubsup>
<mi>W</mi>
<mi>j</mi>
<mi>r</mi>
</msubsup>
</mrow>
</munder>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>&Element;</mo>
<msubsup>
<mi>W</mi>
<mi>j</mi>
<mi>r</mi>
</msubsup>
</mrow>
</munder>
<msubsup>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤42：按公式(4)更新vi：
<mrow>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<mo>&Element;</mo>
<msubsup>
<mi>W</mi>
<mi>j</mi>
<mi>r</mi>
</msubsup>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>)</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤43：按公式(5)更新
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<mo>&Element;</mo>
<msubsup>
<mi>W</mi>
<mi>j</mi>
<mi>r</mi>
</msubsup>
</mrow>
</munder>
<msubsup>
<mi>x</mi>
<mi>r</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>)</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
当两次迭代过程中能量函数的差值小于预设的阈值ε或迭代次数达到预设的最大次数时，迭代过程结束。
6.根据权利要求5所述的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，其特征在于，所述步骤5中，其中第j个像素将被分配为第i类，其中：
<mrow>
<mi>i</mi>
<mo>=</mo>
<msub>
<mi>arg</mi>
<mi>k</mi>
</msub>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1..</mn>
<mi>C</mi>
</mrow>
</munder>
<msub>
<mi>u</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458600.6A CN107316060A (zh) | 2017-06-16 | 2017-06-16 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458600.6A CN107316060A (zh) | 2017-06-16 | 2017-06-16 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107316060A true CN107316060A (zh) | 2017-11-03 |
Family
ID=60183250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710458600.6A Pending CN107316060A (zh) | 2017-06-16 | 2017-06-16 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107316060A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064470A (zh) * | 2018-08-28 | 2018-12-21 | 河南工业大学 | 一种基于自适应模糊聚类的图像分割方法及装置 |
| CN113160214A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种图像局部领域像素相似性衡量新方法 |
| CN113160213A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种融合图像局部和非局部信息的像素隶属度估计新方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1924926A (zh) * | 2006-09-21 | 2007-03-07 | 复旦大学 | 一种基于二维模糊聚类的超声图像分割方法 |
| US20090067694A1 (en) * | 2007-09-12 | 2009-03-12 | Siemens Medical Solutions Usa, Inc. | Efficient Features for Shape Analysis of Lesions in Breast MR |
| US8265390B2 (en) * | 2008-11-11 | 2012-09-11 | Siemens Medical Solutions Usa, Inc. | Probabilistic segmentation in computer-aided detection |
| CN102737381A (zh) * | 2012-06-13 | 2012-10-17 | 西安电子科技大学 | 基于混合二分图聚类集成的图像分割方法 |
| CN102855633A (zh) * | 2012-09-05 | 2013-01-02 | 山东大学 | 一种具有抗噪性的快速模糊聚类数字图像分割方法 |
| WO2015130231A1 (en) * | 2014-02-27 | 2015-09-03 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach |
| CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
| CN106600610A (zh) * | 2016-12-07 | 2017-04-26 | 上海智臻智能网络科技股份有限公司 | 一种fcm图像分割方法及装置 |
-
2017
- 2017-06-16 CN CN201710458600.6A patent/CN107316060A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1924926A (zh) * | 2006-09-21 | 2007-03-07 | 复旦大学 | 一种基于二维模糊聚类的超声图像分割方法 |
| US20090067694A1 (en) * | 2007-09-12 | 2009-03-12 | Siemens Medical Solutions Usa, Inc. | Efficient Features for Shape Analysis of Lesions in Breast MR |
| US8265390B2 (en) * | 2008-11-11 | 2012-09-11 | Siemens Medical Solutions Usa, Inc. | Probabilistic segmentation in computer-aided detection |
| CN102737381A (zh) * | 2012-06-13 | 2012-10-17 | 西安电子科技大学 | 基于混合二分图聚类集成的图像分割方法 |
| CN102855633A (zh) * | 2012-09-05 | 2013-01-02 | 山东大学 | 一种具有抗噪性的快速模糊聚类数字图像分割方法 |
| WO2015130231A1 (en) * | 2014-02-27 | 2015-09-03 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach |
| CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
| CN106600610A (zh) * | 2016-12-07 | 2017-04-26 | 上海智臻智能网络科技股份有限公司 | 一种fcm图像分割方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张小峰: "基于模糊聚类算法的医学图像分割技术研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064470A (zh) * | 2018-08-28 | 2018-12-21 | 河南工业大学 | 一种基于自适应模糊聚类的图像分割方法及装置 |
| CN109064470B (zh) * | 2018-08-28 | 2022-02-22 | 河南工业大学 | 一种基于自适应模糊聚类的图像分割方法及装置 |
| CN113160214A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种图像局部领域像素相似性衡量新方法 |
| CN113160213A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种融合图像局部和非局部信息的像素隶属度估计新方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111340B (zh) | 基于多路割的弱监督实例分割方法 | |
| CN109034208B (zh) | 一种高低分辨率组合的宫颈细胞切片图像分类系统 | |
| CN109035269B (zh) | 一种宫颈细胞病理切片病变细胞分割方法及系统 | |
| CN110060235A (zh) | 一种基于深度学习的甲状腺结节超声图像分割方法 | |
| CN107256558A (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
| CN111553837B (zh) | 一种基于神经风格迁移的艺术文本图像生成方法 | |
| CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
| CN105184772A (zh) | 一种基于超像素的自适应彩色图像分割方法 | |
| CN109117703B (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| CN102096821A (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
| CN104282022B (zh) | 一种具备多视角学习能力的模糊聚类图像分割方法 | |
| CN107316060A (zh) | 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 | |
| CN110162631A (zh) | 面向triz发明原理的中文专利分类方法、系统及储存介质 | |
| CN109711411B (zh) | 一种基于胶囊神经元的图像分割识别方法 | |
| CN109272522B (zh) | 一种基于局部特征的图像细化分割方法 | |
| Vu et al. | Graph cut segmentation of neuronal structures from transmission electron micrographs | |
| CN108765431B (zh) | 一种图像的分割方法及其在医学领域的应用 | |
| CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
| Peng et al. | A region-based color image segmentation method based on P systems | |
| CN106446923A (zh) | 基于角点匹配的医学图像分类方法 | |
| CN113159044A (zh) | 一种基于深度学习的卷积神经网络的道路材质识别方法 | |
| CN112861705A (zh) | 一种基于混合学习的跨域行人重识别方法 | |
| CN109255794A (zh) | 一种标准件深度全卷积特征边缘检测方法 | |
| CN105894475B (zh) | 一种国际音标图像字符细化方法 | |
| He | Lung CT imaging sign classification through deep learning on small data |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171103 |