基于FCM的彩色图像分割算法的研究

作     者：褚庆文 

作者单位：哈尔滨理工大学 

学位级别：硕士

导师姓名：陈宝远

授予年度：2020年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：模糊聚类 图像分割 马氏距离 彩色空间 超像素 

摘      要：图像分割是根据一定的特性将图像划分成多个部分并着重突显出需要的目标部分,它是完成图像处理、理解和识别检测等复杂任务的关键前提。描述图像信息的最小单元是像素,图像分割的本质是解决相似像素之间的聚类问题。由于一幅图像的成像机理,以及从图像传输到接收过程中的大量的不同种类噪声干扰以至于图像模糊,不易分割出图像信息,于是,众多研究学者将模糊聚类的思想应用于图像分割来解决这种不适定的问题。模糊C均值聚类算法(FCM)将模糊理论和模糊分析融入于像素聚类,能够很好的区分像素模糊特性的隶属关系。本文在FCM算法的基础上针对彩色图像分割进行研究,首先整体概述图像分割领域的相关算法理论,其次详细分析了 FCM算法在图像分割领域的研究现状和发展趋势,最后针对传统FCM算法抗噪性差、迭代计算复杂度高两种缺陷分别提出了两种彩色图像分割的改进算法。主要的研究内容如下:传统FCM算法的抗噪性能不佳,直接将其应用于彩色图像分割没有考虑像素之间颜色、空间等特征信息导致的分割效果差。针对此,本文提出用协方差马氏距离替换传统FCM算法中的欧氏距离进行像素相似性测度,并且将待聚类像素邻域空间信息考虑其中以提高抗噪性。同时在隶属度矩阵中引入先验概率,使其在进行迭代计算时都对隶属度矩阵进行校正,修正分类错误的像素点。通过抗噪性对比试验,证明本文算法大幅度提高了抗噪性能,分割效果明显提升。传统的FCM算法初始聚类中心随机、迭代运算消耗时间长。针对此,本文提出先用SLIC算法对彩色图像进行分割处理得到超像素,其次根据超像素颜色、边界和空间位置关系进行相似性加权计算,从而得到超像素的相似性综合信息。最后用减法聚类的方法根据相似性综合信息将超像素进一步分成特征相近的子集,其中心作为FCM聚类初始聚类中心并对超像素进行合并聚类。通过改进算法与两篇文献中的同类算法进行对比实验,结果表明本文提出的算法运算速度有了显著的提高,在分割效果上也有很明显的改善。