基於模糊c均值聚類和空間信息的多尺度紋理圖像分割方法

2023-04-28 03:48:46

專利名稱：：基於模糊c均值聚類和空間信息的多尺度紋理圖像分割方法
技術領域：
：本發明屬於圖像處理
技術領域：
，特別涉及一種紋理圖像分割方法，可應用於紋理圖像以及包含紋理信息的圖像，如合成孔徑雷達SAR、遙感圖像和醫學圖像的分割。
背景技術：
：在圖像處理和計算機視覺研究中，紋理圖像分割是最經典的方法。其在圖像分類、圖像檢索、圖像理解、目標識別等很多問題中起著關鍵作用。模糊C均值FCM算法在聚類分割方法中是最受歡迎的方法之一。通過引入FCM聚類，出現了很多改進算法。傳統的FCM聚類方法通過對圖像像素和C類中心的目標函數的相似性進行優化以獲得局部最大值而得到了最優聚類，這是由於圖像並沒有考慮到像素的鄰域。該方法對空間信息的噪聲和該區域的急劇變化非常敏感。因此，人們提出了很多方法，這些方法都是關於給傳統的FCM算法增加局部空間信息。2005年，Liew等人提出了一個空間模糊C均值聚類SFCM算法，該算法的關鍵是一個新的多樣性指數，該多樣性指數考慮了在N8鄰域內中心像素附近的臨近像素的影響，參見A.W.C.Liew,H.Yan,andN.F.Law.Imagesegmentationbasedonadaptiveclusterprototypeestimation[J].IEEETransactionsonFuzzySystems,2005,13(4):444-453。空間信息的結合使得該算法比傳統的FCM不易於對噪聲敏感，並且達到終止的速度更快。此外，為了更好的利用數據聚集的特性，Wen等人提出了空間置信聚類算法SCCA把可信度聚類算法和SFCM算法結合起來，參見P.Wen,L.Zheng,J.Zhou.SpatialCredibilisticclusteringalgorithminnoiseimagesegmentation[C].IndustrialEngineeringandEngineeringManagement,2007IEEEinternationalconference,2007:543-547。由於考慮到部分像素的鄰域信息和特徵的數據聚合，該方法的性能比SFCM算法更好。傳統的FCM算法為最小化關於隸屬度和聚類原型的目標函數。在FCM聚類之後，每一個像素都和一個類的隸屬度聯繫起來，通過給具有最高隸屬度的類分配像素，就得到了圖像的分割。在基於傳統的FCM分割算法中，假定特徵向量是彼此獨立的，並且它們的空間坐標也是獨立的。事實上，它們的空間坐標之間有一個很有趣的關係，即坐標臨近於聚類原型坐標的像素點很有可能是一個單一聚類。因而，基於傳統FCM算法的圖像分割方法得到的分割邊緣不夠準確，區域一致性也不夠好。因此，需要找到一種能夠充分利用這些空間坐標關係的圖像分割方法，以獲得更高的圖像分割質量。
發明內容本發明的目的在於克服上述已有技術分割邊緣不準確和區域一致性不夠好的不足，提出了一種基於模糊c均值聚類和空間信息的多尺度紋理圖像分割方法，以提高圖像分割的質量。本發明的技術方案是將輸入圖像中各像素點的空間坐標加入到傳統的模糊c均值聚類算法的目標函數中，基於小波變換的多尺度特性，採用自適應尺度確定的多尺度圖像分割方法實現對紋理圖像的分割。其實現過程如下(1)輸入一幅大小為WXW的紋理圖像；(2)對輸入圖像進行7V層二維離散小波變換，3^7V^log2(>),得到小波係數W，並計算每個變換尺度處的小波係數對應的特徵向量；(3)採用傳統的模糊C均值聚類算法對最粗尺度/:7V進行分割，得到最粗尺度的初始分割結果；(4)利用得到的初始分割結果，計算在最粗尺度/=W處模糊C均值聚類中的空間坐標因子，並將該空間坐標因子加入到傳統的模糊C均值聚類算法的目標函數中，實現對最粗尺度聚類，得到最粗尺度對應的分割結果類標(5)根據分割結果類標圖，確定分解尺度J上衡量其類標可靠性的標記場G」={0,1}，/表示圖像對應的物理坐標；(6)根據標記場，採用自適應尺度確定的多尺度分割方法，得到下一尺度J二J-1的分割結果類標(7)判斷所得分割結果類標圖是否為最細尺度《/=0處的分割結果，如果是尺度/=0處的結果，則紋理分割結束；否則，重複步驟(6)~步驟(7)直到得到尺度《/=0處的分割結果，並將該分割結果作為輸入圖像的最終分割結果輸出。本發明與現有的技術相比具有以下優點1、由於本發明將空間信息加入到傳統的模糊C均值聚類中，使得模糊C均值聚類算法迭代次數減少，收斂加快；2、由於本發明充分考慮了尺度內像素點的空間坐標關係，使得分割結果的邊緣更加準確；'3、由於本發明充分利用了多尺度的由粗到細的傳遞特性，使得分割結果的區域一致性更好。仿真實驗表明，本發明提高了紋理圖像分割結果的邊緣準確性，增強了分割結果的區域一致性，並提高了分割算法的效率。圖1是本發明的流程示意圖2是本發明仿真採用的一幅具有三類紋理的合成紋理圖像；圖3是圖2的真實分割結果圖4是採用傳統模糊C均值聚類的單尺度分割方法對圖2分割得到的分割結果圖；圖5是採用傳統模糊C均值聚類的多尺度分割方法對圖2分割得到的分割結果圖；圖6是採用本發明對圖2分割得到的分割結果圖。具體實施例方式參照圖l，本發明的具體實施過程如下步驟l，輸入待分割紋理圖像，其大小為WXW，這些待分割紋理圖像可以是合成紋理圖像，也可以是具有紋理信息的SAR圖像、航拍圖像和醫學圖像。步驟2,採用基函數DB7對輸入圖像進行小波變換，分解層數為四，得到輸入圖像的小波係數w。步驟3，計算每個變換尺度處的小波係數對應的特徵向量。3a)根據隱馬爾科夫樹HMT模型，得到每個變換尺度處小波係數的父、子尺度間的對應關係，這種對應關係以四叉樹結構表示；3b)採用高斯混合模型對小波係數逼近，得到小波係數W的概率密度函數/(W):formulaseeoriginaldocumentpage7式中，；^(w)表示四叉樹中根節點的狀態概率，m表示狀態變量s的不同取值，附=0表示S為"小"狀態，附=1表示5為"大"狀態；3c)將每個係數W的概率密度函數/O)的對數l0gw(/O))作為特徵向量，艮P:formulaseeoriginaldocumentpage7式中，《/={1,2,3,4}，表示小波變換對應的分解尺度，/tt表示小波變換水平方向的高頻子帶，Z/Z表示小波變換垂直方向的高頻子帶，i/H表示小波變換對角線方向的高頻子帶，(/eamre,.,表示尺度J處第/個小波係數對應的特徵向量。步驟4，採用傳統的模糊C均值聚類算法對輸入圖像的最粗尺度J-4進行分割，得到輸入圖像在最粗尺度的初始分割結果。基於傳統的模糊C均值算法的圖像分割，即通過模糊C均值聚類實現對圖像的分割，具體計算過程是4a)建立關於隸屬度f/和聚類原型K的目標函數Jf^^，即formulaseeoriginaldocumentpage8式中A:=l!.=1v,.是類/的聚類原型，M"給出了像素點A:相對於聚類原型v,的隸屬度，m是模糊索引，通常取附=2，yk^^^為像素點々對應的特徵向量；4b)通過輪換尋優的方法求取(l)式中的最小值，其中(l)式的局部最小值條件由下面w"和v,.的新形成的代替值獲得，即formulaseeoriginaldocumentpage8式中，、表示類別y的聚類原型。4c)在模糊c均值聚類後，將每一個像素都與一個類的隸屬度聯繫起來，通過給具有最高隸屬度的類分配像素，得到輸入圖像最粗尺度處的初始分割結果。步驟5，利用得到的初始分割結果，計算在最粗尺度J-4處改進的模糊C均值聚類中的空間坐標因子，並採用改進的模糊C均值聚類算法對最粗尺度聚類，得到最粗尺度對應的分割結果類標圖。該步驟的具體實現如下5a)定義方向集，其中^=0,...,乃一1為各個搜索方向，D是方向總數，令^=8;5b)對最粗尺度處分割區域p^中的每個像素點A:，採用LPA—ICI算法計算以A為中心的各個方向上具有相同標記的長度/z*，得到長度集{《，^=0，...,"—1};5c)將各個方向上得到的長度《，^=0，...，"-1疊加，得到像素點A的面積，並將該區域的類別標記為/;5d)對具有相同標記的像素區域，選擇具有最大坐標(row,co/)的點作為類z的中心坐標，得到各類中心{(row1,co/1)，...,(roWpCo/,)，".，(rovi;c，co/c)};5e)根據得到的各類中心，按照下式計算各像素點A的空間坐標因子5^/W^:腸^=(H)-(腳,，co/J;式中，^w和^。/分別表示像素點A:的橫坐標和縱坐標。5f)將各像素點的空間坐標因子加入到傳統的模糊C均值聚類算法的目標函數JfTM中，得到新的目標函數JM^M:jm鼎=JlX"e麗a)—巧『+("e麗")mS"一,/t=l!.=1式中，/^^wr^表示像素點A的特徵向量，新的迭代隸屬度weww^根據下式更新，即l々/=1v,.和".分別表示類/和類/的模糊原型集合，均根據傳統的模糊C均值聚類算法計算得到。5g)最小化目標函數J^;o^得到最粗尺度處的分割結果類標圖。步驟6，根據得到的分割結果類標圖，確定分解尺度J上衡量其類標可靠性的標記場{《]，",e{0,l}，z'表示圖像對應的物理坐標。該步驟的具體實現如下6a)以分割結果類標圖中的一個分割像素點為中心，確定一個窗口，並統計該窗口中屬於各類紋理的類標數目，找出各類紋理對應的類標數目的最大值，當該確定窗口的大小Kx巧減去閾值:r小於或等於該最大值時，將該最大值對應的類標賦予當前中心點，且設《.=1，否則，設a,.=0，該點的標記用公式表達為式中，巧為窗口的長度或寬度，labelnm^為窗口內類標統計數labdn的最大值，取6b)確定分割結果類標圖中每一個分割像素點的窗口，並統計這些窗口中屬於各類紋理的類標數目，找出各類紋理對應的類標數目的最大值，得到分割結果類標圖所有像素點對應的標記場{《],《e{0,1}。步驟7,根據標記場，採用自適應尺度確定的多尺度分割方法，得到下一尺度J二/一l的分割結果類標圖。該步驟的具體實現如下-7a)根據得到的標記場(aj,《.e(O,0進行自適應的尺度確定，=0表示該區域的尺度沒有確定，=1表示該區域的尺度已經確定；7b)對尺度已經確定的區域，即標記場a,.=1的區域，將該尺度J-7V上確定類標的值和特徵向量傳遞到下一尺度上各自的四個節點，以維持該區域的一致性；對尺度不確定的區域，即標記場《.二0的區域，計算下一尺度/二J-l的恃徵向量和空間坐標因子，從而採用改進的模糊C均值聚類算法得到該尺度/的分割結果類標圖和標記場。步驟8，判斷所得分割結果類標圖是否為最細尺度《/=0處的分割結果，如果是尺度J二0處的結果，則紋理分割結束；否則，重複步驟7~步驟8直到得到尺度《/=0處的分割結果，並將尺度《/=0處的分割結果作為輸入圖像的最終分割結果輸出。本發明的效果可通過以下仿真進一步說明。l.仿真條件與內容本發明的仿真是在windowsXP，SPI，CPU為Pentium(R)4，基本頻率2.4GHz，軟體平臺為Matlab7.0.1運行。仿真選用的原始圖像如圖2所示，它是一幅具有三類紋理特徵的合成紋理圖像。2.仿真結果對圖2採用傳統模糊C均值聚類的單尺度分割方法進行分割，得到不同尺度處的分割結果，其中，圖4(a)為尺度-3處的單尺度分割結果，該分割結果具有很好的區域一致性，但邊緣輪廓不清晰，將其與理想分割3對比，得到的分割錯誤率為6.25%;圖4(13)為尺度=2處的單尺度分割結果，該分割結果的區域一致性效果有所降低，但邊緣的清晰度有所提高，將其與理想分割3對比，得到的分割錯誤率為10.55%;;圖4(c)為尺度=1處的單尺度分割結果，該分割結果中在同質區域有較多雜點，而邊緣的準確性有所改善，將其與理想分割3對比，得到的分割錯誤率為27.32%;;圖4(d)為尺度=0處的單尺度分割結果，也是採用傳統模糊C均值聚類的單尺度分割方法對圖2進行分割得到的最終分割結果，該結果的區域一致較差，邊緣輪廓雖能辨認出來，但不夠準確，也不夠清晰，分割效果很不理想，將其與理想分割3對比，得到的分割錯誤率為42.32%。對圖2採用傳統模糊C均值聚類的多尺度分割方法進行分割，得到不同尺度處的分割結果，其中，圖5(a)為尺度-3處的多尺度分割結果，該分割結果的區域一致性較好，但邊緣很模糊，將其與理想分割3對比，得到的分割錯誤率為6.25%;圖5(b)為尺度=2處的多尺度分割結果，該分割結果的區域一致性效果下降，邊緣的清晰度有所提高，將其與理想分割3對比，得到的分割錯誤率為6.44%;圖5(c)為尺度4處的多尺度分割結果，該分割結果中的同質區域含有很多雜點，邊緣準確度有所提高，將其與理想分割3對比，得到的分割錯誤率為8.13%;圖5(^為尺度=0處的多尺度分割結果，也是採用傳統模糊C均值聚類的多尺度分割方法對圖2進行分割得到的最終分割結果，該結果中含有大量雜點，區域一致性很差，邊緣也不清晰，將其與理想分割3對比，得到的分割錯誤率為10.48%。對圖2採用本發明方法進行分割，得到不同尺度處的分割結果，其中，圖6(a)為尺度=3處的本發明分割結果，該分割結果的區域一致性很強，但邊緣不夠連續，也不夠準確，將其與理想分割3對比，得到的分割錯誤率為4.69%;圖6(1>)為尺度=2處的本發明分割結果，該分割結果具有較好的區域一致性，邊緣也較連續，將其與理想分割圖圖3對比，得到的分割錯誤率為5.08%;圖6(c)為尺度4處的本發明分割結果，該分割結果的區域一致性也較好，邊緣的準確性和清晰度提高，將其與理想分割3對比，得到的分割錯誤率為4.66%;圖6(d)為尺度-0處的本發明分割結果，也是採用本發明對圖2進行分割得到的最終分割結果，該結果不僅保持了較好的區域一致性，也具有連續、準確、清晰的邊緣，將其與理想分割3對比，得到的分割錯誤率為2.92%。從這些仿真結果可以看出，傳統模糊C均值聚類的單尺度分割方法對不同的分割區域在粗尺度上具有較好的區域一致性，但在更細尺度上會變遭，甚至不能將類別分割出來；傳統模糊C均值聚類的多尺度分割方法的分割結果雖然在區域一致性有所改善，但邊緣不夠準確，也不夠清晰；本發明的分割結果則不僅有較好的區域一致性，也有較準確、清晰的邊緣，分割效果明顯優於傳統模糊C均值聚類的單尺度分割方法和傳統模糊C均值聚類的多尺度分割方法得到的分割結果，這也可通過對比每個分割結果圖與理想分割圖的錯誤率看出。本發明將空間信息加入到傳統的模糊C均值聚類中，使得到的聚類中心更加準確，且加快了模糊C均值聚類的收斂速度。表1所示為利用本發明中的模糊C均值聚類方法法和傳統的模糊C均值聚類方法法對圖3的最粗尺度分割時，各自需要的迭代次數。該表表明本發明所提方法比傳統的模糊C均值聚類方法收斂得更快。表l運用兩種聚類方法對圖3最粗尺度分割所需的迭代次數tableseeoriginaldocumentpage12仿真實驗表明，本發明同時保持了粗尺度處較好的區域一致性和細尺度處較準確的邊緣特性，得到較好的分割結果，且無論從分割誤差還是視覺感知上均比傳統方法更加有效。權利要求1、一種基於模糊C均值聚類和空間信息的多尺度紋理圖像分割方法，包括如下過程(1)輸入一幅大小為n×n的紋理圖像；(2)對輸入圖像進行N層二維離散小波變換，3≤N≤log2(n)，得到小波係數w，並計算每個變換尺度處的小波係數對應的特徵向量；(3)採用傳統的模糊C均值聚類算法對最粗尺度J＝N進行分割，得到最粗尺度的初始分割結果；(4)利用得到的初始分割結果，計算在最粗尺度J＝N處模糊C均值聚類中的空間坐標因子，並將該空間坐標因子加入到傳統的模糊C均值聚類算法的目標函數中，實現對最粗尺度聚類，得到最粗尺度對應的分割結果類標圖；(5)根據分割結果類標圖，確定分解尺度J上衡量其類標可靠性的標記場{ai}，ai∈A，A＝{0，1}，i表示圖像對應的物理坐標；(6)根據標記場，採用自適應尺度確定的多尺度分割方法，得到下一尺度J＝J-1的分割結果類標圖；(7)判斷所得分割結果類標圖是否為最細尺度J＝0處的分割結果，如果是尺度J＝0處的結果，則紋理分割結束；否則，重複步驟(6)～步驟(7)直到得到尺度J＝0處的分割結果，並將該分割結果作為輸入圖像的最終分割結果輸出。2、根據權利要求1所述的圖像分割方法，其中步驟(2)所述的計算每個變換尺度處的小波係數對應的特徵向量，按如下過程進行(2a)根據隱馬爾科夫樹HMT模型，得到每個變換尺度處小波係數的父、子尺度間的對應關係，這種對應關係以四叉樹結構表示；(2b)採用高斯混合模型對小波係數逼近，得到小波係數W的概率密度函數formulaseeoriginaldocumentpage2式中，P,(w)表示四叉樹中根節點的狀態概率，w表示狀態變量s的不同取值，m=0表示s為"小"狀態，附=1表示s為"大"狀態；(2c)將每個係數w的概率密度函數/(w)的對數logi0(/O))作為特徵向量，即:log10(/O))log10(/(—)f式中，《/={1,2，3,4}，表示小波變換對應的分解尺度，HZ表示小波變換水平方向的高頻子帶，丄^表示小波變換垂直方向的高頻子帶，W表示小波變換對角線方向的高頻子帶，(/eo/Mre,.)J表示尺度J處第/個小波係數對應的特徵向量。3、根據權利要求l所述的圖像分割方法，其中步驟(4)的具體實現如下(3a)定義方向集{^|^=2^/"，廠=0，.."/)-1}，其中廣=0,...，"一1為各個搜索方向，D是方向總數，令1)=8;(3b)對最粗尺度處分割區域p^中的每個像素點A:，採用LPA一ICI算法計算以A:為中心的各個方向上具有相同標記的長度/^，得到長度集(《，r=O，...,D—O;(3c)將各個方向上得到的長度《，r二0，…，D—l疊加，得到像素點A:的面積，並將該區域的類別標記為/;(3d)對具有相同標記的像素區域，選擇具有最大坐標(row，co/)的點作為類/的中心坐標，得到各類中心Krav^,co/J，…,(rm^，co/,.),…，(roWc，co/c》；(3e)根據得到的各類中心，按照下式計算各像素A的空間坐標因子formulaseeoriginaldocumentpage3(3f)將各像素點的空間坐標因子加入傳統的模糊C均值聚類算法的目標函數7Fr^，得到新的目標函數Jformulaseeoriginaldocumentpage3式中，/efl^^q表示像素點&的特徵向量，新的迭代隸屬度weww^根據下式更新，即-formulaseeoriginaldocumentpage4v,.和力分別表示類/和類y'的模糊原型集合，均根據傳統的模糊C均值聚類算法計算得到；(3g)最小化目標函數J^^M，得到最粗尺度處的分割結果類標圖。4、根據權利要求1所述的圖像分割方法，其中步驟(5)所述的根據得到的分割結果類標圖，確定分解尺度J上衡量其類標可靠性的標記場(fl,]，fl,.e{0,l}，按如下過程進行(4a)以分割結果類標圖中的一個分割像素點為中心，確定一個窗口，並統計該窗口中屬於各類紋理的類標數目，找出各類紋理對應的類標數目的最大值，當該確定窗口的大小巧x巧減去閾值r小於或等於該最大值時，將該最大值對應的類標賦予當前中心點，且設a,.=1，否則，設a,.=0，該點的標記用公式表達為formulaseeoriginaldocumentpage4式中，巧為窗口的長度或寬度，labeln皿為窗口內類標統計數labdn的最大值；(4b)確定分割結果類標圖中每一個分割像素點的窗口，並統計這些窗口中屬於各類紋理的類標數目，找出各類紋理對應的類標數目的最大值，得到分割結果類標圖所有像素點對應的標記場{《.}，《.e{0，1}。5、根據權利要求l所述的圖像分割方法，其中步驟(6)所述根據標記場，採用自適應尺度確定的多尺度分割方法，得到下一尺度《/=J-l的分割結果類標圖，按如下過程進行(5a)根據得到的標記場{^,^￡{0,1}進行自適應的尺度確定，《.=0表示該區域的尺度沒有確定，=1表示該區域的尺度已經確定；(5b)對尺度已經確定的區域，即標記場a,.=1的區域，將該尺度J-iV上確定類標的值和特徵向量傳遞到下一尺度上各自的四個節點，以維持該區域的一致性；對尺度不確定的區域，即標記場^=0的區域，計算下一尺度/=/一1的特徵向量和空間坐標因子，從而採用改進的模糊C均值聚類算法得到該尺度J的分割結果類標圖和標記場。全文摘要本發明公開了一種基於模糊C均值FCM聚類和空間信息的多尺度紋理圖像分割方法，主要解決圖像分割質量差的問題。其實現過程為輸入待分割紋理圖像並對其進行二維離散小波變換，計算每個小波係數對應的特徵向量；對小波變換的最粗尺度分割；計算最粗尺度各係數對應的空間坐標因子，將其加入到傳統FCM聚類算法的目標函數中，得到該尺度的分割結果類標圖和標記場；採用自適應尺度確定的多尺度分割方法得到下一尺度的分割結果類標圖，直至得到的分割結果類標圖是最細尺度處的；將最細尺度的分割結果作為最終分割結果輸出。本發明具有分割邊緣準確和分割區域一致性好的優點，可用於對紋理圖像，以及包含紋理信息的SAR圖像、遙感圖像和醫學圖像的分割。文檔編號G06T7/40GK101551905SQ20091002241公開日2009年10月7日申請日期2009年5月8日優先權日2009年5月8日發明者彪侯,鳳劉,張向榮,焦李成,翟豔霞,馬文萍申請人:西安電子科技大學