结合灰度共生矩阵和模糊聚类的图像分割技术_李慧慧

《结合灰度共生矩阵和模糊聚类的图像分割技术_李慧慧》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第30卷第3期杭州电子科技大学学报Vol.30,No.32010年06月JournalofHangzhouDianziUniversityJun.2010结合灰度共生矩阵和模糊聚类的图像分割技术李慧慧,余正生(杭州电子科技大学图形图像研究所,浙江杭州310018)摘要:该文主要研究了灰度共生矩阵和模糊均值聚类两种图像分割方法,对于这两种方法分别提取了4种纹理特征描述符:角二阶矩、对比度、相关性和熵来进行图像分割。并结合两种方法得出一种改进的图像分割方法。分别用这两种方法和改进后的方法对lean

2、图进行分割并对分割的结果进行比较分析,实验证明改进后的方法优于灰度共生矩阵法,且优于模糊聚类法中用对比度和熵进行图像分割的效果,提高了图像的分割精度。关键词:灰度共生矩阵;模糊聚类;隶属函数;聚类中心;隶属矩阵中图分类号:TP391文献标识码:A文章编号:1001-9146(2010)03-0063-040引言随着计算机科学技术的不断发展,图像处理和分析逐渐形成了自己的科学体系。图像分割的效果直接决定了后续图像分析、图像理解和模式识别的性能,具有重要的研究价值。图像分割的方法和种类有很

3、多,本文讨论了灰度共生矩阵和模糊聚类两种图像分割的方法[1-3]。两种方法都是提取了4种相同的纹理特征值,使用相同的聚类方法,所不同的是灰度共生矩阵法是通过求灰度图像的灰度共生矩阵;而模糊聚类法是通过求隶属度函数[4]来实现。因为聚类时,每次迭代优化目标函数都要计算聚类中心和隶属度函数[5,6],运算量很大,十分耗时,灰度共生矩阵法中为了降低运算量,利用了灰度直方图统计信息,在此灰度空间上进行聚类极大的降低了运算量。通过对两种方法运行结果的比较,提出了基于两种实验方法的一种改进方法,改进的方法效果明显比灰度共

4、生矩阵好,并且比模糊聚类中用描述符熵和对比度进行图像分割的效果好。1预处理设样本集为X={X1,X2,,Xn},用聚类算法把X硬划分成c个模式子集Si(i=1,2,,c),则有:cXi=1Si,SiSj=ij,1i,jc(1)聚类是通过最小化关于隶属度矩阵U和聚类中心V的目标函数Jm(u,v)来实现的:ncJm(u,v)=(uik)mdi2k(xk,vi)(2)k=1i=1式中,c为聚类的个数,m为加权指数,文中m取为2,U={Uik}为模糊划分矩阵,它把

5、数据样本点和聚类模式联系起来,Uik表示X中任意样本Xk对i类的隶属度,并需满足条件:收稿日期:2009-10-26基金项目:浙江省自然科学基金资助项目(Y1090609)作者简介:李慧慧(1984--),女,山西长治人,在读研究生,计算机辅助几何设计.64杭州电子科技大学学报2010年uik[0,1]i,k0<uik

6、]-1k=1,2,,n(4)表示V={V1,V2,,VC}为c个聚类中心点集,聚类中心公式为:vi=n(uik)mxkmxkk=1nmk=1(uik)i=1,2,,c(5)第k个样本到第i类中心的距离定义为:2dik(xk,vi)=xk-viA=(xk-vi)TA(xk-vi)(6)式中,xk-viP表示Xk与Vi之间的距离,它度量的是数据点和聚类原型的相似性,A是跟子图大小一样的正定矩阵,当A=I时,即为欧式距离。通过反复迭代目标函数式2实现聚类。2灰

7、度共生矩阵图像分割灰度共生矩阵反映了图像中任意两点灰度的相关性,根据它可以进行纹理特征的提取,进而对图像进行分割。灰度共生矩阵就是从影像(x,y)灰度为i的象素出发,统计与距离为、灰度为j的象素(x+x,y+y)同时出现的概率P(i,j,,)。用数学公式表示则为:P(i,j,,)={[(x,y),(x+x,y+y)]f(x,y)=i,f(x+x,y+y)=j;x=0,1,2,,Nx-1;y=0,1,2,,Ny-1}。其中,i,j=0,1,2,,L-1;x,y是影像中的象素坐标;L为

8、影像的灰度级数;Nx,Ny分别为影像的行列数。其意义表示所有方向、相邻间隔为的象素中有一个取i值、另一个取j值的相邻对点数。最简单的方法是取不同方向(0、45、90、135)的偏移参数,作其灰度共生矩阵,然后分别求取其特征值,由于灰度共生矩阵的计算量很大,为简便起见,一般采用角二阶矩ASM;对比度CON;相关性CORRLN;熵ENT4个特征来提取图像的纹理特征。图像的纹理特征提取分为提取