基于改进模糊聚类的图像分割算法研究
发布时间：2021-06-05 09:26
图像分割是图像理解和分析的第一步,与我们的生活息息相关,对我们的生活产生着越来越深刻的影响。随着计算机技术的不断发展,图像分割也呈现出全新的面貌。因此,对于图像分割方法的研究,使其更好的服务于人们的生活具有深远的意义。图像分割的方法多种多样,每种方法都有自己所适合的场景或图像类型,对于特定的图像选择特定的方法很有必要。模糊C均值（Fuzzy C-means,FCM）算法由于其简单,易于理解,局部搜索能力强等特点受到了人们的广泛关注。但是,FCM算法也存在一定的缺陷或不足,传统的FCM算法是基于图像像素的灰度进行划分的,具有一定的不合理性。在图像分割的精度、分割的质量以及人们的视觉效果等方面往往与人们的预期存在很大的差异。而且由于该方法对噪声比较敏感,容易受初始值的影响,使得算法容易收敛到局部极值,造成算法的性能降低,图像分割的效果变差。针对FCM图像分割方法存在的一些问题,本文结合了一些其它方法对FCM进行了改进,并应用于图像分割领域中检验算法的性能,使得算法的性能更好,图像分割的效果更优,论文的主要工作有:1.结合马尔可夫模型改进FCM图像分割算法。由于马尔可夫模型能够很好的表示图像...
【文章来源】：兰州理工大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
脑MRI图像分割好的分割结果有助于后续的图像分析与识别，有助于图像特征的提取、描述、
工程硕士学位论文21较来看，FCM算法的聚类中心与理想分割的聚类中心相差较远。从分割图像的视觉效果以及相关评价指标的具体数值来看，PFCM算法的分割效果较好，具有较强的抗噪能力。表3.1合成图像1分割结果比较算法聚类中心VpcVpeFCM93.902449,171.426568,13.057821,244.2450320.8330290.142282FCM-σ13.057820,93.902437,171.426565,244.2450340.8330200.142224FLICM88.462808,12.430199,244.601504,172.1998130.8764570.113506ARKFCM84.109596,165.549695,178.949834,244.4980580.8071670.158771PFCM91.261614,174.658648,14.890689,245.0974180.8980040.094855为了更进一步检测算法的抗噪性能和图像分割能力，在如图3.6(a)的人工合成图像2(synthetic:256*256)中加入0.01的椒盐噪声，被噪声污染后的图像如图3.6(b)所示，取聚类数目c=4。分割后的图像和数据如图3.7和表3.2所示。(a)原图(b)椒盐图像图3.6合成图像2(a)FCM(b)FCM-σ(c)FLICM(d)ARKFCM(e)PFCM图3.7各算法合成图像2分割结果图表3.2合成图像2分割结果比较算法聚类中心VpcVpeFCM0.333458,0.666733,0.005542,0.9954000.9841460.017077FCM-σ169.992052,253.677234,84.993101,1.4300210.9848420.016446FLICM253.586168,1.473312,170.330204,84.6462640.9617020.033342ARKFCM83.851906,169.634808,229.731519,252.8068180.8395500.135027PFCM170.000000,0.000000,255.000000,85.0000000.9997690.000545从分割后的图像及相关的数据可以看出，该算法的抗噪能力仍优于对比算法。虽然在最终的分割结果中仍然有一定的噪声，但噪声点明显少于FCM算法和
工程硕士学位论文23果仍然优于对比算法。对于墙面的分割中，FCM算法和FCM-σ算法分割图像中含有较多的噪声，且评价指标低于对比算法。虽然FLICM算法图像分割的效果比较平滑，但分割后的图像中仍存在较明显的噪声点，在处理异常值时容易产生误判。ARKFCM算法则在分割屋檐时将屋檐与墙面划分为整体，分割效果差。PFCM算法整体来看仍优于比较算法，该方法对墙体的分割效果较好，具有很好的抗噪声能力，其评价指标高于对比算法约3~4个百分点，整体性能较好，算法的性能较为稳定。为了更进一步检测算法对噪声的抑制能力，并检测随着噪声的增大，图像分割效果的好坏以及相关评价指标的变化情况。在图3.8(a)的自然图像中依次加入噪声水平为0.001，0.003，0.005，0.007的椒盐噪声检验算法在不同噪声水平下的分割效果。加入噪声后的图像如图3.10的各子图所示。(a)0.001椒盐噪声(b)0.003椒盐噪声(c)0.005椒盐噪声(d)0.007椒盐噪声图3.10自然图像的各种噪声图像表3.4表示的是各算法在不同噪声下的相关评价指标。表3.4不同噪声下的评价指标算法评价指标0.001噪声0.003噪声0.005噪声0.007噪声FCMVpc0.8714790.8660290.8614920.833631Vpe0.1129650.1175320.1212780.138737FCM-σVpc0.8540350.8477720.8347320.835104Vpe0.1260240.1309650.1374090.141243FLICMVpc0.8742590.8686770.8394310.855197Vpe0.1093140.1141140.1342270.125422ARKFCMVpc0.8711880.8687930.8352460.826880Vpe0.1100740.1118880.1420990.148057PFCMVpc0.8846270.8800640.8752360.865923Vpe0.0992090.1033800.1073810.114874为了更清楚的表示算法对噪声的抗干扰能力，画出了划分系数和划分熵的折线图如图3.11所示。
【参考文献】：
期刊论文
[1]核空间自适应抑制式直觉模糊图像分割算法[J]. 林洋,兰蓉. 计算机工程与设计. 2019(08)
[2]基于新型阈值选择方法的变电站红外图像分割[J]. 赵庆生,王雨滢,王旭平,郭尊. 光学学报. 2019(08)
[3]联合K-means和形态学算子的图像边缘检测[J]. 王益艳,于贵. 舰船电子工程. 2019(07)
[4]基于狮群优化的FCM图像分割算法研究[J]. 韩涛,黄友锐,徐善永,许家昌,周宁亚. 山东农业工程学院学报. 2019(07)
[5]基于形态学和区域生长法的医学图像分割[J]. 范群贞,吴浩,林真. 机电技术. 2019(03)
[6]基于优化BP神经网络的图像分割实现[J]. 魏光杏,周献中. 佳木斯大学学报(自然科学版). 2019(03)
[7]基于聚类分析的乌梁素海水质因子研究[J]. 岳程鹏,李兴. 人民黄河. 2019(05)
[8]基于遗传算法和模糊C均值聚类的WSN分簇路由算法[J]. 董发志,丁洪伟,杨志军,熊成彪,张颖婕. 计算机应用. 2019(08)
[9]形态学边缘检测和区域生长相结合的遥感图像水体分割[J]. 王小鹏,文昊天,王伟,马鹏,王阳萍. 测绘科学技术学报. 2019(02)
[10]自适应鲁棒图形模糊聚类分割算法[J]. 吴成茂,孙佳美. 华中科技大学学报(自然科学版). 2019(04)
硕士论文
[1]脑图像的分割与特征识别算法研究[D]. 潘宏亮.长春工业大学 2018
[2]基于模糊聚类的图像分割方法[D]. 夏志巍.南京信息工程大学 2018
[3]基于改进的FCM遥感图像聚类算法的研究与应用[D]. 张景柯.南京信息工程大学 2017
[4]基于模糊聚类的图像分割方法的研究[D]. 谢德武.电子科技大学 2017
[5]一种改进的自适应加权中值去噪算法的研究[D]. 王松林.武汉科技大学 2016
[6]基于GA优化的核模糊C均值聚类算法的研究[D]. 黄白梅.武汉科技大学 2013
[7]基因芯片数据分析方法比较[D]. 单文娟.南京林业大学 2008
本文编号：3211899
【文章来源】：兰州理工大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
脑MRI图像分割好的分割结果有助于后续的图像分析与识别，有助于图像特征的提取、描述、
工程硕士学位论文21较来看，FCM算法的聚类中心与理想分割的聚类中心相差较远。从分割图像的视觉效果以及相关评价指标的具体数值来看，PFCM算法的分割效果较好，具有较强的抗噪能力。表3.1合成图像1分割结果比较算法聚类中心VpcVpeFCM93.902449,171.426568,13.057821,244.2450320.8330290.142282FCM-σ13.057820,93.902437,171.426565,244.2450340.8330200.142224FLICM88.462808,12.430199,244.601504,172.1998130.8764570.113506ARKFCM84.109596,165.549695,178.949834,244.4980580.8071670.158771PFCM91.261614,174.658648,14.890689,245.0974180.8980040.094855为了更进一步检测算法的抗噪性能和图像分割能力，在如图3.6(a)的人工合成图像2(synthetic:256*256)中加入0.01的椒盐噪声，被噪声污染后的图像如图3.6(b)所示，取聚类数目c=4。分割后的图像和数据如图3.7和表3.2所示。(a)原图(b)椒盐图像图3.6合成图像2(a)FCM(b)FCM-σ(c)FLICM(d)ARKFCM(e)PFCM图3.7各算法合成图像2分割结果图表3.2合成图像2分割结果比较算法聚类中心VpcVpeFCM0.333458,0.666733,0.005542,0.9954000.9841460.017077FCM-σ169.992052,253.677234,84.993101,1.4300210.9848420.016446FLICM253.586168,1.473312,170.330204,84.6462640.9617020.033342ARKFCM83.851906,169.634808,229.731519,252.8068180.8395500.135027PFCM170.000000,0.000000,255.000000,85.0000000.9997690.000545从分割后的图像及相关的数据可以看出，该算法的抗噪能力仍优于对比算法。虽然在最终的分割结果中仍然有一定的噪声，但噪声点明显少于FCM算法和
工程硕士学位论文23果仍然优于对比算法。对于墙面的分割中，FCM算法和FCM-σ算法分割图像中含有较多的噪声，且评价指标低于对比算法。虽然FLICM算法图像分割的效果比较平滑，但分割后的图像中仍存在较明显的噪声点，在处理异常值时容易产生误判。ARKFCM算法则在分割屋檐时将屋檐与墙面划分为整体，分割效果差。PFCM算法整体来看仍优于比较算法，该方法对墙体的分割效果较好，具有很好的抗噪声能力，其评价指标高于对比算法约3~4个百分点，整体性能较好，算法的性能较为稳定。为了更进一步检测算法对噪声的抑制能力，并检测随着噪声的增大，图像分割效果的好坏以及相关评价指标的变化情况。在图3.8(a)的自然图像中依次加入噪声水平为0.001，0.003，0.005，0.007的椒盐噪声检验算法在不同噪声水平下的分割效果。加入噪声后的图像如图3.10的各子图所示。(a)0.001椒盐噪声(b)0.003椒盐噪声(c)0.005椒盐噪声(d)0.007椒盐噪声图3.10自然图像的各种噪声图像表3.4表示的是各算法在不同噪声下的相关评价指标。表3.4不同噪声下的评价指标算法评价指标0.001噪声0.003噪声0.005噪声0.007噪声FCMVpc0.8714790.8660290.8614920.833631Vpe0.1129650.1175320.1212780.138737FCM-σVpc0.8540350.8477720.8347320.835104Vpe0.1260240.1309650.1374090.141243FLICMVpc0.8742590.8686770.8394310.855197Vpe0.1093140.1141140.1342270.125422ARKFCMVpc0.8711880.8687930.8352460.826880Vpe0.1100740.1118880.1420990.148057PFCMVpc0.8846270.8800640.8752360.865923Vpe0.0992090.1033800.1073810.114874为了更清楚的表示算法对噪声的抗干扰能力，画出了划分系数和划分熵的折线图如图3.11所示。
【参考文献】：
期刊论文
[1]核空间自适应抑制式直觉模糊图像分割算法[J]. 林洋,兰蓉. 计算机工程与设计. 2019(08)
[2]基于新型阈值选择方法的变电站红外图像分割[J]. 赵庆生,王雨滢,王旭平,郭尊. 光学学报. 2019(08)
[3]联合K-means和形态学算子的图像边缘检测[J]. 王益艳,于贵. 舰船电子工程. 2019(07)
[4]基于狮群优化的FCM图像分割算法研究[J]. 韩涛,黄友锐,徐善永,许家昌,周宁亚. 山东农业工程学院学报. 2019(07)
[5]基于形态学和区域生长法的医学图像分割[J]. 范群贞,吴浩,林真. 机电技术. 2019(03)
[6]基于优化BP神经网络的图像分割实现[J]. 魏光杏,周献中. 佳木斯大学学报(自然科学版). 2019(03)
[7]基于聚类分析的乌梁素海水质因子研究[J]. 岳程鹏,李兴. 人民黄河. 2019(05)
[8]基于遗传算法和模糊C均值聚类的WSN分簇路由算法[J]. 董发志,丁洪伟,杨志军,熊成彪,张颖婕. 计算机应用. 2019(08)
[9]形态学边缘检测和区域生长相结合的遥感图像水体分割[J]. 王小鹏,文昊天,王伟,马鹏,王阳萍. 测绘科学技术学报. 2019(02)
[10]自适应鲁棒图形模糊聚类分割算法[J]. 吴成茂,孙佳美. 华中科技大学学报(自然科学版). 2019(04)
硕士论文
[1]脑图像的分割与特征识别算法研究[D]. 潘宏亮.长春工业大学 2018
[2]基于模糊聚类的图像分割方法[D]. 夏志巍.南京信息工程大学 2018
[3]基于改进的FCM遥感图像聚类算法的研究与应用[D]. 张景柯.南京信息工程大学 2017
[4]基于模糊聚类的图像分割方法的研究[D]. 谢德武.电子科技大学 2017
[5]一种改进的自适应加权中值去噪算法的研究[D]. 王松林.武汉科技大学 2016
[6]基于GA优化的核模糊C均值聚类算法的研究[D]. 黄白梅.武汉科技大学 2013
[7]基因芯片数据分析方法比较[D]. 单文娟.南京林业大学 2008
本文编号：3211899
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3211899.html
