基于特征加权自然纹理FCM聚类分割算法

《基于特征加权自然纹理FCM聚类分割算法》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20期计算机技术与发展V01．20No．12010年1月COMPUTERTECHNOm6YANDDEVELOPMENTJan．2010基于特征加权的自然纹理FCM聚类分割算法朱映辉，江玉珍，欧阳春娟2(1．韩山师范学院数学与信息技术系，广东潮州521041；2．井冈山大学信息科学与传媒学院，江西吉安343009)摘要：为了实现自然材质的纹理分割，根据自然纹理的弱规则性特点，提出一种由图像灰度值、灰度分布统计及图像纹理能量统计作为纹理表征的特征参数，并组成三维特征矢量以实现自然纹理分割的算法。考虑到样本不同特征值对分类

2、的不同影响，算法中引入了特征加权的FCM模糊聚类方法以提高各特征参数在聚类约束力上的可控制性，从而实现纹理图像的更有效分割效果。实验证明，该方法简单高效、可控性强，对各种自然纹理图像具有较好的纹理分割效果。关键词：自然纹理；纹理分割；特征加权；FCM；纹理能量中图分类号：39l文献标识码：A文章编号：1673—629X(2010)01—0108一O3NaturalTextureSegmentationAlgorithmBasedonWeightedFeaturesFCMClusteringZHUYing-hui，JIA

3、NGYu．zhen，OUYANGChun-juan(1．CollegeofMathematicsandInformationTechnology，HanshanNormalUniversity，Chaozhou521041，China；2．InformationScienceandMediumCollege，JinggangshanUniversity，ji’an343009，China)Abstract：Inordertocarryoutthetexturesegmentationofnatur~material，a

4、imingattheweakregularityofnaturaltexture，anaturaltexturesegmentationalgorithmcombinedwithimagepixelvalue，statisticalanalysisofgreydistributionandtextureenergyispmp。sed．Consideringthedifferentfunctionofthedifferentsamplefeaturesinclassifying．theFCMclusteringwithw

5、eightedfeaturesisadoptedinthealgorithmtoimprovetheclusteringrestraintcontrollability0fthesamplefeatur~．andgetthebettertexturesegmentationresult．Theexperimentsprovethatthemethodissimple，effective，oontmllableandgoodsegmentationresultforva1naturaltextureimages．KeyW

6、OldS：naturalt~ture；texturesegmentation；weightedfeatures；：textureenergyO引言然纹理并不是固定不变的，它们可能有空间变化的局图像分割是图像处理中的基本问题，计算机视觉部特性如方向、频率和纹理基元的大小等。在目前已研究中目标检测、目标识别和特征提取等的精度都依有的研究中，纹理分割的方法一般分为两类：(1)基于赖于图像分割的质量。纹理是图像上常见的特征，是纹理特征统计法；(2)基于纹理基元结构分析法。前者灰度(颜色)在空间以一定的形式变化而产生的图案，首先

7、对图像中所呈现出来的相关纹理特征进行统计与由许多相互接近的、互相编织的元素构成，并常具有周分析，然后在此基础上实现对图像各像素的分类。后期性，在一定程度上反映着图像的空间性质，对纹理进者则是先刻画出图像中的纹理基元，再从结构的组成行分割是图像分割的一个重要分支，也是计算机视觉上探索纹理的分布。从现有研究的情况看，统计方法领域的一个重要研究方向。一般来说纹理分割大致可占有主导地位，在纹理特征统计分析方法上，较典型的以分为两个基本步骤：(a)纹理特征的提取；(b)在此基算法有灰度共生矩阵法HJ、小波分析法】、多通道Ga—础

8、上进行分类。但是纹理图像的分割是非常困难的，b0r滤波法【3-8J、离散余弦变换(D()9J等。而在像素因为每幅图像中都可能会有不同的纹理，每个纹理基分类技术上，由于相异纹理间的接合处像素的归属存元的大小和形状也可能各不相同，而且绝大多数的自在模糊和不确定性，因此不少的算法均结合了模糊聚类方法(如模糊C均值聚类方法叫)或模糊神经网