论文部分内容阅读
数字图像是一种重要的视觉信息载体，其在人类生活和生产中发挥着不可替代的作用。为了从图像中提取出有用的信息，图像分割技术应运而生，如何提高图像分割算法的可靠性和速度一直是该领域所面临的难题。随着相关技术和理论的不断革新，图像分割算法也层出不穷。由于模糊理论解决了图像像素分类的不确定性问题，模糊C均值聚类算法(Fuzzy C-Means Clustering Algorithm，FCM)受到了广大学者们的青睐。 不同于硬C均值算法(HCM)中类属的划分是确定的，FCM算法用隶属度来表征像素属于某一类的概率，其像素的类属划分存在一定的弹性空间，使像素与类之间的隶属关系更加合理。尽管FCM算法具有易于实现、收敛速度快等特点，但原始FCM算法仅将灰度值作为唯一的类属划分特征信息，没有考虑利用像素的空间特征信息来解决由噪声造成的像素错分问题。 从FCM算法被提出至今，大量的学者致力于提升算法抗噪性能的研究，并取得了丰硕的成果。从图像空间信息的角度出发，本文对FCM算法进行了深入研究。在介绍了一些经典的基于空间信息的改进FCM算法之后，分别利用基于局部空间信息的差分曲率算子和非局部空间信息做出了相应的改进，从而进一步提高了算法对噪声的抑制能力及其它分割性能: 1、在FCM算法基础之上，sFCM算法通过构造基于局部邻域信息的空间函数，在算法的每一次迭代过程中都进行了隶属度修正，从而改善了分割效果，但由于其空间函数的相关性参数是固定值，使得噪声抑制和边缘保护之间不能取得平衡。基于此，本文通过引入差分曲率算子，构造了能自适应取值的空间函数相关性参数，提出了DCFCM算法。实验证明，本文提出改进算法能自适应的抑制噪声和保护边缘细节信息，有较好的模糊划分效果。 2、在FLICM算法中，模糊因子的引入整体上提高了算法对噪声的鲁棒性，但在图像边缘区域仍然有大量错分像素点，因此，本文提出了一种基于局部和非局部空间信息的LNLFCM算法。通过将非局部均值滤波思想引入到FLICM算法中，改进了其模糊因子，使其能自适应地在平坦区域和边缘区域调节局部信息与非局部信息的权重，能让其结构信息更有针对性的对目标像素隶属度进行调节。最后，分别用FCM、FLICM、NLFCM以及LNLFCM算法对不同类型的噪声图像进行分割，实验结果验证了LNLFCM算法的有效性。