论文部分内容阅读
图像分割是将图像分割成多个具有相似特性(如灰度、颜色和纹理信息等)的连续不重叠区域,以便把特定的目标从复杂的背景中提取出来的过程。由于图像具有不确定性和模糊性,使得传统的分割方法往往不能获得理想的分割效果,直接影响后续的目标特征提取以及结果分析等工作。而模糊理论能够很好地描述图像的特性,因此,越来越多的学者将其应用于图像分割的研究中,并提出了各种相关的分割方法。其中,最流行的方法是模糊C均值(Fuzzy C-Means,FCM)聚类算法,但该算法也存在一些不足,如对初始聚类中心敏感易陷入局部极值以及没有考虑空间信息对噪声敏感。本文对上述问题进行研究分析,并提出了相应的改进方法,提高了算法的性能。本文的主要研究内容如下:(1)针对FCM算法的初始聚类中心设置问题,提出了一种基于人工蜂群(Artificial Colony Bee,ABC)优化的快速FCM(Fast Fuzzy C-Means,FFCM)图像分割方法。该方法利用ABC算法强大的全局搜索能力来获得FFCM算法的初始聚类中心,但是ABC算法存在易陷入局部最优和后期收敛速度慢等不足。为此,本文首先通过引入Boltzmann选择策略来替换ABC算法中使用的轮盘赌选择策略,然后利用反学习机制对算法中的最差蜜源替换策略进行改进,避免了算法因过早收敛易陷入局部最优的问题,同时提高了收敛速度。最后用改进后的ABC算法优化FFCM算法的初始聚类中心,克服了其对初始聚类中心敏感的缺点。通过对比实验表明,该方法可以通过较少的迭代次数获得最优的聚类中心,图像分割效果良好,算法性能较优。(2)针对FCM算法未考虑像素空间信息导致抗噪性弱的问题,提出了一种结合空间邻域信息的核FCM图像分割方法。该方法首先在FCM算法的基础上充分利用像素的空间信息,根据像素的邻域特性,在目标函数中增加了空间约束项函数;然后依据像素的先验概率定义了考虑邻域信息的空间邻域隶属度函数,同时引入核函数,用内核诱导距离替换原来的欧式距离,优化分割图像的特征;最后对隶属度函数进行修正,得到新的加权隶属度函数,加大了邻域信息聚类的比重。通过仿真实验验证,与传统FCM算法、KFCM(Kernel-Based Fuzzy C-Means)及其他改进算法相比,本文算法能够获得更理想的图像分割质量和效果,提高了算法的抗噪能力,鲁棒性更强。