一种基于C均值的模糊核聚类图像分割算法

彭建喜

(佛山职业技术学院，广东佛山 528000)

图像分割是把图像分解成具有特殊含义的不相交的空间区域，然后分离出有价值目标的技术和过程，是成功进行图像分析、模式识别与理解和图像编码的关键技术之一，图像分割的质量直接到影响后面进行的分析、识别和解释的质量［1-2］。近年来，随着人们对图像分割进行深入的研究，提出了各种图像分割方法，包括直方图阈值的方法、最大熵值方法、区域分割增长的方法和微粒群优化的分割方法等，其中Bezdek提出的模糊聚类算法FCM，是一种基于目标函数的非线性迭代最优化方法，通过引入像素聚类样本到聚类中心的隶属度来表示像素样本的隶属度，该类隶属度的大小能够客观反映出算法中样本点隶属于某一类的程度［3］。但FCM算法对初值敏感，很大程度上依赖初始聚类中心的选择，并且容易收敛于局部极小值，用于图像分割时，隶属度的计算只考虑了图像中当前的像素探值，而未考虑邻域像素点的空间信息，故对分割含有噪声图像不理想。为了有效解决FCM图像分割方法所存在的问题，Yang和Chuang等人从不同角度考虑了像素点的空间信息，Gomez提出了一种自适应的空间聚类算法，该算法提出在模糊C均值聚类算法的目标函数中加入像素点空间信息，提高算法的鲁棒性，但对于对低灰度信息的图像分割，该算法就会失效。刘刚等采用轮廓波变换在变换域对图像做降噪预处理，但容易在处理结果中产生伪吉布斯效应，Chuang为解决低灰度信息问题，通过在目标函数中加入径向基函数来区分像素点之间的相似度［4-10］。……