马尔可夫随机场约束下的PCM图像分割算法

2013-07-20 02:34:22周彤彤杨恢先李淼谭正华张建波
计算机工程与应用 2013年24期

周彤彤,杨恢先,李淼,谭正华,张建波

1.湘潭大学材料与光电物理学院,湖南湘潭 411105

2.湘潭大学信息工程学院,湖南湘潭 411105

马尔可夫随机场约束下的PCM图像分割算法

周彤彤1,杨恢先1,李淼1,谭正华2,张建波2

1.湘潭大学材料与光电物理学院,湖南湘潭 411105

2.湘潭大学信息工程学院,湖南湘潭 411105

1 引言

图像分割是图像分析与理解中一个最为基本的处理步骤,其目的是将图像划分为多个互不重叠的若干区域,每个区域内的像素具有相似的或一致的性质[1]。图像分割质量的好坏直接影响后续图像处理的效果,甚至决定其成败,因此,图像分割一直是人们高度重视的研究方向。

模糊C-均值聚类算法(Fuzzy C-Means,FCM)广泛应用于模式识别、图像处理和视频检索等领域,是一种建立在平方误差最小准则上的聚类算法,但它对噪声点和野值点很敏感。R.Krishnapuram和J.Keller于1993年提出的可能性C均值(Possibilistic C-Means,PCM)聚类算法放宽了隶属度的约束条件,构造了一个新的目标函数。PCM能够聚类包含噪声或野值点的数据,使噪声数据具有很小的隶属度值,在某种程度上改进了FCM算法的不足。但放宽了隶属度的约束条件使得实际聚类中容易出现聚类中心的重合,造成图像的过分割,尤其在多目标图像分割中往往不能取得理想的分割效果[2]。一个完整的分割模型应该在充分考虑灰度信息的同时,还要考虑像素的空间信息对分割的影响。马尔可夫随机场(Markov Random Field,MRF)很好地描述了相邻像素和相关特征间的相互依赖关系,弥补了PCM聚类算法对像素邻域信息描述的不足。……

登录APP查看全文