CN109685820A - 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法 - Google Patents
基于形态学重建与带有指导滤波的fcm聚类的图像分割方法 Download PDFInfo
- Publication number
- CN109685820A CN109685820A CN201811441680.5A CN201811441680A CN109685820A CN 109685820 A CN109685820 A CN 109685820A CN 201811441680 A CN201811441680 A CN 201811441680A CN 109685820 A CN109685820 A CN 109685820A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- image
- fcm
- picture
- filtering
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 35
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000005192 partition Methods 0.000 title claims abstract description 9
- 230000003628 erosive effect Effects 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000011218 segmentation Effects 0.000 abstract description 7
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于形态学重建与带有指导滤波的FCM聚类的图像分割方法,通过使用形态学重建有效去除原始图片中的噪声,提高噪声图像的分割准确率,之后使用指导滤波弥补去噪操作对图片边缘的破环,提升图像纹理边缘区域的分类效果,最终引入一个影响因子,调节指导图像,进一步提高指导滤波的效果,有效提高了噪声图像的分割效果。
Description
技术领域
本发明涉及噪声图像分割技术领域,具体涉及一种基于形态学重建与带有指导滤波的FCM聚类的图像分割方法。
背景技术
图像分割是指将一幅图像分成若干互不重叠的子区域,使得每个子区域具有一定的相似性、而不同子区域有较为明显的差异。图像分割被广泛的应用到医学、交通、军事等领域,为人们进一步理解、分析图像提供有效的帮助。然而在实际应用中,要被分割的图像往往含有未知类型、未知强度的噪声,导致图像分割结果变差。因此,如在噪声类型、强度未知的情况下,有效提高噪声图像的分割效果,成为一个研究热点。
FCM聚类:
FCM聚类是一种模糊聚类算法,具有聚类准确率高、计算复杂度低等优点,被广泛使用。当用于图像分割时,FCM算法根据像素值将图片分为不同的区域。但是FCM算法对图像中含有的噪声十分敏感,聚类结果受噪声影响很大。
指导滤波:
指导滤波是一种线性滤波方法,目的是在图像的平滑区域进行去噪处理,在纹理边缘区域进行边缘保护,可用于图像处理、计算机视觉等领域。平滑区域和纹理边缘区域的判别由参数控制,在合理设置参数的前提下,指导滤波能够一定程度上去除图像中的噪声并保持图像纹理边缘不被破坏,具有滤波效果好、计算效率高等特点。然而,在实际应用中,无法事先知道图片中含有的噪声的类型及强度,难以为参数设置合适的值,导致平滑区域和纹理边缘区域的错误判别,影响最终的滤波效果。除了上述问题外,指导滤波的另一个缺点是在高噪声图像上的滤波效果很差。
形态学重建:
形态学重建方法使用标记图像、目标图像以及结构元进行形态学开操作或者形态学闭操作来获得重构图像。形态学重构可以有效去除图片中任何类型、任何比例的噪声,可作为去噪算法用于噪声图像分割流程中。然而,某些情况下,形态学重建会改变图像中的细节信息,导致图像局部范围的错误分类。
发明内容
本发明为了克服以上技术的不足,提供了一种提高噪声图像的分割准确率、提升图像纹理边缘区域的分类效果的基于形态学重建与带有指导滤波的FCM聚类的图像分割方法。
本发明克服其技术问题所采用的技术方案是:
一种基于形态学重建与带有指导滤波的FCM聚类的图像分割方法,其特征在于,包括如下步骤:
a)输入要被分割的含有噪声的原始图片f,原始图片f的宽度为W,高度为H,原始图片f像素点个数为N,其中N=W×H;
b)利用形态学闭操作算法对原始图片f进行重构,得到重构图片β,其中形态学闭操作算法中的重构阶数z设置为50,形态学闭操作算法中的结构元B设置为3×3正方形窗口;
c)将原始图片f中所有像素点的像素值乘以同一个影响因子ρ,计算后得到图片I,其中0.01≤ρ≤1;
d)使用带有指导滤波功能的FCM聚类算法对重构图片β进行聚类计算,在FCM聚类算法的每一步迭代过程中,使用指导滤波算法对每一步迭代中的隶属度矩阵进行滤波,使用图片I作为指导滤波算法的指导图像,指导滤波算法的滤波窗口ω设置为3×3正方形窗口,指导滤波算法的参数设置为0.01;
e)根据FCM聚类算法得到的隶属度矩阵得到原始图片f的分类结果。
进一步的,步骤b)中的形态学闭操作算法包括如下步骤:
b-1)利用腐蚀算法使用结构元B对原始图片f进行腐蚀操作,得到标记图像g1;
b-2)利用形态学膨胀算法使用结构元B对标记图像g1进行形态学膨胀操作,得到图片T;
b-3)利用膨胀算法使用结构元B对图片T进行膨胀操作,得到标记图像g2;
b-4)利用形态学腐蚀算法使用结构元B对标记图像g2进行形态学腐蚀操作,得到重构的图片β。
进一步的,步骤d)中的带有指导滤波功能的FCM聚类算法包括如下步骤:
d-1)对FCM聚类算法中的参数进行初始化操作,其中用户输入FCM聚类算法中的类中心数量C、将FCM聚类算法中的模糊系数m设置为2.0,将FCM聚类算法中的停止阀值ξ设置为0.000001,设置FCM聚类算法中的迭代计数器t=0,FCM算法目标函数的初始值设为J(o)=-9999;
d-2)从重构图片β中随机选取一个像素点,将该像素值作为第c类的类中心vc的初始值,其中c=1,2,....,C,实现对FCM算法中每一类的类中心进行初始化;
d-3)使迭代计数器加1,即t+1;
d-4)通过公式计算重构图片β的第n个像素点βn属于的第c个类的隶属度ucn,其中n=1,2,....,N,c=1,2,....,C,vj为第j个类的类中心,j=1,2,....,C;
d-5)将uc1,uc2,....ucN重新排列成一副宽度为W且高度为H的图片P,使用指导滤波算法对图片P进行滤波,得到滤波后的图片Q,使用公式ucn=Qn更新隶属度,其中Qn为图片Q的第n个像素点,n=1,2,....,N;
d-6)使用公式更新第c类的类中心vc的值,其中c=1,2,....,C;
d-7)使用公式计算第t次迭代得到的目标函数J(t);
d-8)计算FCM算法第t次迭代得到的目标函数J(t)与第t-1次迭代的目标函数J(t-1)之间的差值,如||J(t)-J(t-1)||≥ξ,执行d-3),如||J(t)-J(t-1)||<ξ则执行e)。
本发明的有益效果是:通过使用形态学重建有效去除原始图片中的噪声,提高噪声图像的分割准确率,之后使用指导滤波弥补去噪操作对图片边缘的破环,提升图像纹理边缘区域的分类效果,最终引入一个影响因子,调节指导图像,进一步提高指导滤波的效果,有效提高了噪声图像的分割效果。
具体实施方式
下面对本发明做进一步说明。
一种基于形态学重建与带有指导滤波的FCM聚类的图像分割方法,其特征在于,包括如下步骤:
a)输入要被分割的含有噪声的原始图片f,原始图片f的宽度为W,高度为H,原始图片f像素点个数为N,其中N=W×H;
b)利用形态学闭操作算法对原始图片f进行重构,得到重构图片β,其中形态学闭操作算法中的重构阶数z设置为50,形态学闭操作算法中的结构元B设置为3×3正方形窗口;
c)将原始图片f中所有像素点的像素值乘以同一个影响因子ρ,计算后得到图片I,其中0.01≤ρ≤1;
d)使用带有指导滤波功能的FCM聚类算法对重构图片β进行聚类计算,在FCM聚类算法的每一步迭代过程中,使用指导滤波算法对每一步迭代中的隶属度矩阵进行滤波,使用图片I作为指导滤波算法的指导图像,指导滤波算法的滤波窗口ω设置为3×3正方形窗口,指导滤波算法的参数设置为0.01;
e)根据FCM聚类算法得到的隶属度矩阵得到原始图片f的分类结果。
通过使用形态学重建有效去除原始图片中的噪声,提高噪声图像的分割准确率,之后使用指导滤波弥补去噪操作对图片边缘的破环,提升图像纹理边缘区域的分类效果,最终引入一个影响因子,调节指导图像,进一步提高指导滤波的效果,有效提高了噪声图像的分割效果。
实施例1:
步骤b)中的形态学闭操作算法包括如下步骤:
b-1)利用腐蚀算法使用结构元B对原始图片f进行腐蚀操作,得到标记图像g1;
b-2)利用形态学膨胀算法使用结构元B对标记图像g1进行形态学膨胀操作,得到图片T;
b-3)利用膨胀算法使用结构元B对图片T进行膨胀操作,得到标记图像g2;
b-4)利用形态学腐蚀算法使用结构元B对标记图像g2进行形态学腐蚀操作,得到重构的图片β。
实施例2:
步骤d)中的带有指导滤波功能的FCM聚类算法包括如下步骤:
d-1)对FCM聚类算法中的参数进行初始化操作,其中用户输入FCM聚类算法中的类中心数量C、将FCM聚类算法中的模糊系数m设置为2.0,将FCM聚类算法中的停止阀值ξ设置为0.000001,设置FCM聚类算法中的迭代计数器t=0,FCM算法目标函数的初始值设为J(o)=-9999;
d-2)从重构图片β中随机选取一个像素点,将该像素值作为第c类的类中心vc的初始值,其中c=1,2,....,C,实现对FCM算法中每一类的类中心进行初始化;
d-3)使迭代计数器加1,即t+1;
d-4)通过公式计算重构图片β的第n个像素点βn属于的第c个类的隶属度ucn,其中n=1,2,....,N,c=1,2,....,C,vj为第j个类的类中心,j=1,2,....,C;
d-5)将uc1,uc2,....ucN重新排列成一副宽度为W且高度为H的图片P,使用指导滤波算法对图片P进行滤波,得到滤波后的图片Q,使用公式ucn=Qn更新隶属度,其中Qn为图片Q的第n个像素点,n=1,2,....,N;
d-6)使用公式更新第c类的类中心vc的值,其中c=1,2,....,C;
d-7)使用公式计算第t次迭代得到的目标函数J(t);
d-8)计算FCM算法第t次迭代得到的目标函数J(t)与第t-1次迭代的目标函数J(t-1)之间的差值,如||J(t)-J(t-1)||≥ξ,执行d-3),如||J(t)-J(t-1)||<ξ则执行e)。
Claims (3)
1.一种基于形态学重建与带有指导滤波的FCM聚类的图像分割方法,其特征在于,包括如下步骤:
a)输入要被分割的含有噪声的原始图片f,原始图片f的宽度为W,高度为H,原始图片f像素点个数为N,其中N=W×H;
b)利用形态学闭操作算法对原始图片f进行重构,得到重构图片β,其中形态学闭操作算法中的重构阶数z设置为50,形态学闭操作算法中的结构元B设置为3×3正方形窗口;
c)将原始图片f中所有像素点的像素值乘以同一个影响因子ρ,计算后得到图片I,其中0.01≤ρ≤1;
d)使用带有指导滤波功能的FCM聚类算法对重构图片β进行聚类计算,在FCM聚类算法的每一步迭代过程中,使用指导滤波算法对每一步迭代中的隶属度矩阵进行滤波,使用图片I作为指导滤波算法的指导图像,指导滤波算法的滤波窗口ω设置为3×3正方形窗口,指导滤波算法的参数设置为0.01;
e)根据FCM聚类算法得到的隶属度矩阵得到原始图片f的分类结果。
2.根据权利要求1所述的基于形态学重建与带有指导滤波的FCM聚类的图像分割方法,其特征在于,步骤b)中的形态学闭操作算法包括如下步骤:
b-1)利用腐蚀算法使用结构元B对原始图片f进行腐蚀操作,得到标记图像g1;
b-2)利用形态学膨胀算法使用结构元B对标记图像g1进行形态学膨胀操作,得到图片T;
b-3)利用膨胀算法使用结构元B对图片T进行膨胀操作,得到标记图像g2;
b-4)利用形态学腐蚀算法使用结构元B对标记图像g2进行形态学腐蚀操作,得到重构的图片β。
3.根据权利要求1所述的基于形态学重建与带有指导滤波的FCM聚类的图像分割方法,其特征在于,步骤d)中的带有指导滤波功能的FCM聚类算法包括如下步骤:
d-1)对FCM聚类算法中的参数进行初始化操作,其中用户输入FCM聚类算法中的类中心数量C、将FCM聚类算法中的模糊系数m设置为2.0,将FCM聚类算法中的停止阀值ξ设置为0.000001,设置FCM聚类算法中的迭代计数器t=0,FCM算法目标函数的初始值设为J(o)=-9999;
d-2)从重构图片β中随机选取一个像素点,将该像素值作为第c类的类中心vc的初始值,其中c=1,2,....,C,实现对FCM算法中每一类的类中心进行初始化;
d-3)使迭代计数器加1,即t+1;
d-4)通过公式计算重构图片β的第n个像素点βn属于的第c个类的隶属度ucn,其中n=1,2,....,N,c=1,2,....,C,vj为第j个类的类中心,j=1,2,....,C;
d-5)将uc1,uc2,....ucN重新排列成一副宽度为W且高度为H的图片P,使用指导滤波算法对图片P进行滤波,得到滤波后的图片Q,使用公式ucn=Qn更新隶属度,其中Qn为图片Q的第n个像素点,n=1,2,....,N;
d-6)使用公式更新第c类的类中心vc的值,其中c=1,2,....,C;
d-7)使用公式计算第t次迭代得到的目标函数J(t);
d-8)计算FCM算法第t次迭代得到的目标函数J(t)与第t-1次迭代的目标函数J(t-1)之间的差值,如||J(t)-J(t-1)||≥ξ,执行d-3),如||J(t)-J(t-1)||<ξ则执行e)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811441680.5A CN109685820B (zh) | 2018-11-29 | 2018-11-29 | 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811441680.5A CN109685820B (zh) | 2018-11-29 | 2018-11-29 | 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685820A true CN109685820A (zh) | 2019-04-26 |
CN109685820B CN109685820B (zh) | 2022-09-30 |
Family
ID=66185895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811441680.5A Active CN109685820B (zh) | 2018-11-29 | 2018-11-29 | 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685820B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688926A (zh) * | 2021-08-31 | 2021-11-23 | 济南大学 | 一种网站行为分类方法、系统、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180114313A1 (en) * | 2016-10-21 | 2018-04-26 | Yuan Feng | Medical Image Segmentation Method and Apparatus |
CN108171710A (zh) * | 2017-12-27 | 2018-06-15 | 海南海大信息产业园有限公司 | 一种图像分割处理方法 |
-
2018
- 2018-11-29 CN CN201811441680.5A patent/CN109685820B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180114313A1 (en) * | 2016-10-21 | 2018-04-26 | Yuan Feng | Medical Image Segmentation Method and Apparatus |
CN108171710A (zh) * | 2017-12-27 | 2018-06-15 | 海南海大信息产业园有限公司 | 一种图像分割处理方法 |
Non-Patent Citations (2)
Title |
---|
彭婷等: "结合小波变换和改进邻域权值的FCM算法", 《计算机系统应用》 * |
王适等: "改进的模糊C均值聚类遥感图像分割方法", 《计算机应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688926A (zh) * | 2021-08-31 | 2021-11-23 | 济南大学 | 一种网站行为分类方法、系统、存储介质及设备 |
CN113688926B (zh) * | 2021-08-31 | 2024-03-08 | 济南大学 | 一种网站行为分类方法、系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109685820B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sundararaj | Optimised denoising scheme via opposition-based self-adaptive learning PSO algorithm for wavelet-based ECG signal noise reduction | |
CN105184772B (zh) | 一种基于超像素的自适应彩色图像分割方法 | |
US20040202368A1 (en) | Learnable object segmentation | |
Isa | Automated edge detection technique for Pap smear images using moving K-means clustering and modified seed based region growing algorithm | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
Dey et al. | Automatic detection of whitefly pest using statistical feature extraction and image classification methods | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN105512681A (zh) | 一种目标类别图片的获取方法及系统 | |
CN111667019B (zh) | 基于可变形分离卷积的高光谱图像分类方法 | |
Vats et al. | Automatic document image binarization using bayesian optimization | |
CN106127735A (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN110533616A (zh) | 一种图像天空区域分割的方法 | |
CN109740481A (zh) | 基于跳跃连接的cnn与lstm结合的房颤信号分类方法 | |
CN109685820A (zh) | 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法 | |
Mioulet et al. | Gabor features for real-time road environment classification | |
Roy et al. | Removal of ‘salt & pepper’noise from color images using adaptive fuzzy technique based on histogram estimation | |
CN112613583B (zh) | 一种针对低频噪声人脸图像的高频信息提取聚类方法 | |
Shah et al. | Deriving compact feature representations via annealed contraction | |
Xie | A k-nearest neighbor technique for brain tumor segmentation using minkowski distance | |
Rashno et al. | Image restoration by projection onto convex sets with particle swarm parameter optimization | |
Wan et al. | Classification of fog situations based on Gaussian mixture model | |
Jiao et al. | Mask convolution for filtering on irregular-shaped image | |
CN108986156A (zh) | 深度图处理方法及装置 | |
CN107766814A (zh) | 一种基于Adaboost算法的视频中人群行为的识别方法 | |
Rafiee et al. | Automatic segmentation of interest regions in low depth of field images using ensemble clustering and graph cut optimization approaches |
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 |