论文部分内容阅读
图像分割是图像处理与计算机视觉领域中的关键步骤,也是一个极具挑战的研究热点。在众多图像分割算法中,模糊C-均值(Fuzzy C-Means,FCM)聚类算法因为具备处理图像模糊性的能力而被广泛应用。但是,模糊集在描述图像模糊性方面存在一定局限。直觉模糊集是模糊集的推广概念,因此,具有更强的处理事物模糊性的能力。本文以直觉模糊集和空间信息为主要理论依据,解决FCM算法及其改进算法在图像分割中存在的问题:算法对噪声较为敏感;算法收敛较慢等。具体工作如下:(1)抑制式模糊C-均值(Suppressed Fuzzy C-Means,SFCM)算法是FCM算法的改进算法,它解决了FCM算法收敛较慢的问题。但SFCM算法继承了FCM算法对噪声敏感的缺陷,并产生新的问题,即,如何实现抑制因子的自适应选取。为此,本文提出抑制式非局部空间直觉模糊C-均值(Suppressed Non-Local Spatial Intuitionistic Fuzzy C-Means,SNLS-IFCM)图像分割算法。该算法考虑像素的非局部空间信息,并根据直觉模糊集中的“投票模型”生成犹豫度作为抑制因子,实现该参数的自适应选取。实验结果表明,SNLS-IFCM算法对含噪图像分割效果较好,且运行效率有一定的提升。(2)为解决直觉模糊C-均值(Intuitionistic Fuzzy C-Means,IFCM)算法没有考虑像素的空间信息以及收敛较慢的问题,提出核空间自适应抑制式直觉模糊C-均值(Kernel Spatial Adaptive Suppressed Intuitionistic Fuzzy C-means,KSAS-IFCM)图像分割算法。该算法考虑像素的邻域均值空间信息,并利用“投票模型”生成的犹豫度与隶属度构造直觉模糊隶属度,减少人工参数对实验的影响。其次,根据像素的灰度特征和空间距离给出一种抑制因子的自适应选取公式。最后,像素和聚类中心之间的距离采用核诱导距离计算。实验结果表明,KSAS-IFCM算法对含噪图像分割效果较好,但由于计算复杂度的增加,使得该算法运行时间较长。(3)局部空间信息和非局部空间信息具有一定程度的互补性,本文在第一种改进算法的基础上融入像素的邻域中值空间信息,提出核互补空间抑制式直觉模糊C-均值(Kernel Complementary Spatial Suppressed Intuitionistic Fuzzy C-means,KCSS-IFCM)图像分割算法。该算法也融入了第二种改进算法的特点,即利用核诱导距离代替欧式距离,并利用犹豫度与隶属度结合构造直觉模糊隶属度。实验结果表明,KCSS算法分别在高斯噪声和椒盐噪声的干扰下都可以取得较好的分割结果。