模糊C均值聚类算法在图像分割中的应用

李颖

摘要：图像分割技术已经广泛应用在众多领域当中，针对图像分割时较难区分图像中的每一个物体，本文就模糊C均值聚类的图像分割方法进行了分析，并结合目前常用的两种图像分割方法，从分割效果以及熵和区域一致性进行了对比。经过实验证明，基于FCM的图像分割方法比较适用于多层分割图像分割。

关键词：图像分割 聚类 FCM

中图分类号：TP394.41 文献标识码：A 文章编号：1007-9416（2016）12-0143-01

近年来，随着模式识别和人工智能领域的高速发展，涌现出了许多图像分割方法，但图像分割的效果一直受到图像自身成像因素和质量的影响。因此，图像分割成为相关领域的关键。

目前，图像分割技术并没有统一的理论和方法，由于FCM图像分割方法不需要对样本进行训练，且能够较好的结合智能算法提升图像分割性能，在图像分割领域有着较为广泛的应用。

1 基于模糊C均值的图像分割

图像分割是将图像中像素按照一定属性进行聚类的过程，最终分割结果将图像中的目标区域和背景区域互不重叠的区分开来，各区域内像素属性保持一致，相邻区域像素有明显不同。在对图像进行聚类分割过程中，对分割效果产生影响的因素较多，如图像的灰度相似性、边缘清晰度、不同类别之间纹理差异的大小等，在实际分割过程中，很难综合考虑所有的因素达到较好的分割效果，因此有人提出了模糊聚类的分割方法，将主要因素用模糊集来表示，并设定一定的隶属度函数用以表征各因素对分割效果的影响，分割效果较为理想。……