高性能魯棒模糊聚類分割算法研究.pdf

1、⑧西妥鄂雷大擎碩士研究生學(xué)位論文高性能魯棒模糊聚類分割算法研究作者：何晶指導(dǎo)教師：吳成茂高級工程師學(xué)科(專業(yè))：電路與系統(tǒng)提交論文日期：二O一七年六月摘要摘要圖像分割作為圖像處理和計(jì)算機(jī)視覺的基本問題之一，是實(shí)現(xiàn)工程上從圖像處理到圖像分析，進(jìn)而完成圖像理解的關(guān)鍵一環(huán)。圖像分割的好壞對圖像理解有及其重要的影響，分割出的區(qū)域可以作為后續(xù)特征提取的目標(biāo)對象。目前，圖像分割的研究涉及計(jì)算機(jī)科學(xué)，模式識別，機(jī)器學(xué)習(xí)，，th理，人工智能，通信傳輸?shù)?/p>

2、，其產(chǎn)生的新成果在極大程度上推動著相關(guān)領(lǐng)域的發(fā)展。圖像分割的方法和種類很多，其中模糊C均值聚類算法(FuzzyCmeansclusteringalgorithm，F(xiàn)CM)是應(yīng)用最為廣泛的算法。傳統(tǒng)的FCM算法建立在傳統(tǒng)模糊集上并采用歐氏距離建立目標(biāo)函數(shù)，并且算法未考慮像素的空間鄰域信息，易受異常值影響，在分類質(zhì)量上存在缺陷，并且該算法對于圖像中的噪聲較敏感，聚類效果不佳。目前有很多學(xué)者提出了改進(jìn)算法，以提高算法的魯棒性，從而使算法具有更

3、好的分割效果，如核模糊C均值聚類算法(KernelfuzzyCmeansclusteringalgorithm，KFCM)，通過將輸入空間的樣本映射到高維特征空間進(jìn)行聚類，此方法聚類效果更好，收斂速度更快；基于空間信息的模糊C均值聚類算法(SpatialfuzzyC—meansclusteringalgorithm，F(xiàn)CMS)和核空間鄰域信息模糊C均值聚類算法(KernelspatialfuzzyCmeansclusteringalgo

4、rithm，KFCMS)，將圖像的鄰域信息引入到聚類目標(biāo)函數(shù)，每一次迭代計(jì)算將隸屬度和聚類中心融入了樣本鄰域信息，消除噪聲影響。為了更好的提高噪聲干擾圖像的魯棒性，本文提出核空間隱馬爾可夫隨機(jī)場FCM算法、核空間自適應(yīng)非局部均值魯棒分割算法和基于特征選擇的FCM算法。本文的主要工作陳述如下：1、介紹模糊集理論、FCM算法、KFCM算法，分析FCM聚類分割算法對圖像進(jìn)行聚類分割時出現(xiàn)錯分、誤分所導(dǎo)致的圖像分割不清晰的不足。結(jié)合隱馬爾可夫隨

5、機(jī)場模型(HiddenMarkovrandomfieldmodel，HMRF)，并將算法推廣到核空間，提出了核空間隱馬爾可夫FCM算法，以概率來描述圖像像素之間的空間信息，并且對于隸屬度函數(shù)通過引入先驗(yàn)概率函數(shù)進(jìn)行隱馬爾可夫優(yōu)化，從而獲得最優(yōu)解逼近的隸屬度并對其最大化來獲取分割標(biāo)記，充分考慮圖像的隨機(jī)性，使像素樣本聚類更為準(zhǔn)確、魯棒性更好。2、將非局部鄰域信息嵌入FCM分割算法，對算法的抗噪性能進(jìn)一步的改善，但是，由于非局部均值濾波參數(shù)