基于模糊聚类的彩色图像分割算法.doc

基于模糊聚类的彩色图像分割算法
摘要:提出了基于HSV空间的模糊聚类彩色图像分割算法。运用模糊C方法(FCM fuzzy clustering measure 模糊聚类方法)对颜色量化后的图像进行聚类,结合了彩色图像的色彩和空间信息的特点,并且对聚类结果进行了合并优化,去除了聚类过于细小的部分。
关键词:彩色图像分割;HSV空间;模糊聚类
中图分类号: 文献标识码:A

Color image segmentation algorithm based on Fuzzy Clustering Measure
PAN Hong-yan
(School puter Science and Engineering, Wenzhou University,Zhejiang Wenzhou 325000)
Key words: color image segmentation;HSV feature space;FCM

图像分割是计算机图像识别与理解中一个十分活跃的研究领域,是计算机图像理解的基础。
通过颜色空间信息进行彩色图像分割可分三种:一是基于直方图的分割;还有是对色彩像素进行聚类。最后是基于空间的分割,主要分两类: 一种是利用图像区域间的边缘进行分割;另外一种是利用区域像素的邻接和相似性进行区域生长和区域合并。典型的算法是Jseg算法[1]。
本文提出了基于HSV空间的模糊聚类彩色图像分割算法。它结合了彩色图像的色彩和空间信息的特点,模糊聚类,并且对聚类结果进行了合并优化,去除了聚类过于细小的部分。

1 算法

[1][2]
模糊聚类由Dunn[2]首先提出,经很多学者的研究,由Bezdek[1]推广到了一个模糊目标函数聚类的无限簇,证明了算法的收敛性,并给出了加权指数m的合理取值范围。Nikhil等人的研究表明,m的最佳选择范围为[,],通常2是比较理想的取值。真实图像的边界常常是模糊不确定的,FCM(Fuzzy clustering measure模糊聚类方法) 允许了目标边界的不确定性,通过计算点到簇中心的欧几里得距离来判断属于该簇的可能。图像中的各像素以
0到1的概率落入各个簇。以(2)式为约束条件,即点落入各个簇的概率和为1,使(1)式极小化。
J(U,Y)=(u)E(x)(1)
(u)=1(2)
yj=对所有j(3)
u=(E(x)/E(x))ifE(x)>0Ajkl:if E(x)=0 and u=0Al≠j(4)
E(x)=x-y(5)
=(u)E(x)(6)
基本思路为:将数据集分为c类,任意样本对某类的隶属度为ujk,通过最小化关于隶属度矩阵和聚类中心的目标函数来实现的。

HSV空间是一种比较符合人对色彩感观的颜色模型,它是用相对独立的色度(H)、饱和度(S)、亮度(V)这三个量来表示每一个像素的颜色特性。
RGB空间到HSV空间的转换如下:
V=H=osS=1-minR,G,B(7)

2 算法流程


颜色粗糙度Sm[3]用来衡量一幅图像颜色变化的剧烈程度,一幅图像的平均颜色粗糙度Savg