基于顏色量化和模糊c-均值聚類的彩色圖像分割

《基于顏色量化和模糊c-均值聚類的彩色圖像分割》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、基于顏色量化和模糊C-均值聚類的彩色圖像分割//.paper.edu-1-中國(guó)科技論文在線基于顏色量化和模糊C-均值聚類的彩色圖像分割李曉鵬，黃朝兵武漢理工大學(xué)信息工程學(xué)院，武漢（430070）摘要：提出了一種基于顏色量化和模糊C-均值聚類的的彩色圖像分割方法。將顏色從RGB空間轉(zhuǎn)化為HSV空間，在HSV空間的基礎(chǔ)上將顏色量化，在量化顏色的基礎(chǔ)上提取主顏色，以主顏色的個(gè)數(shù)和值分別作為聚類個(gè)數(shù)和聚類中心。然后采用自適應(yīng)的模糊C-均值聚類算法將圖像進(jìn)行分割。對(duì)多幅自然彩色圖像進(jìn)行分割實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明了算法的有效性。關(guān)鍵詞：圖像分割；顏色量化；主顏色；模糊C均值聚類1.引言圖像分割是指將

2、圖像中具有特殊意義的不同區(qū)域分開來,并使這些區(qū)域相互不相交,且每個(gè)區(qū)域應(yīng)滿足特定區(qū)域的一致性條件。圖像分割也是圖像處理和模式識(shí)別的經(jīng)典難題之一,它決定圖像的最終分析質(zhì)量和模式識(shí)別的判別結(jié)果[1]。近年來,隨著數(shù)學(xué)理論,特別是應(yīng)用數(shù)學(xué)理論的飛速發(fā)展,人們借助新的數(shù)學(xué)理論,雖然提出了多種圖像分割方法,其中包括基于直方圖閾值的分割方法、基于區(qū)域增長(zhǎng)的分割方法、基于邊緣檢測(cè)的分割方法、基于模糊聚類的分割方法和基于統(tǒng)計(jì)學(xué)的分割方法等。但由于尚無通用的分割理論，因此這些提出的分割算法大都是針對(duì)具體問題的，并沒有一種適合于所有圖像的通用的分割算法[2]。2.顏色空間的選擇和主顏色2.1顏色空間轉(zhuǎn)換

3、在RGB顏色空間上表示真彩色需要224個(gè)顏色，如果用真彩色表示圖像，計(jì)算量巨大。由于人眼對(duì)視覺的分辨率有一定的局限性，我們可以將顏色量化，用少量的顏色來近似的表示真彩色，這樣既可以使計(jì)算簡(jiǎn)便，又可以滿足人類的視覺需要。本文將RGB空間轉(zhuǎn)換成HSV空間。RGB轉(zhuǎn)換成HSV空間的公式如下：??????????????>????+????+????≤????+????+??=GBBGBRGRBRGRGBBGBRGRBRGRH))(()(2)()(arccos2))(()(2)()(arccos22π),,max(),,min(),,max(BGRBGRBGRS??=255),,max

4、(BGRV=2.2顏色量化本文采用文獻(xiàn)[3]中的方法將HSV顏色空間量化成166個(gè)顏色值，量化后所有顏色用q值表示。本文將用q值代表顏色值進(jìn)行計(jì)算。2.3主色的提取//.paper.edu-2-中國(guó)科技論文在線主色是指與之相關(guān)聯(lián)的像素在整幅彩色圖像中占有絕大比例,它們對(duì)應(yīng)于顏色直方圖中的局部峰值點(diǎn)。主色在圖像中占有量較大,且在圖像內(nèi)容表達(dá)中起到較重要作用。采用較少的主色表示原圖像，特征的維數(shù)相對(duì)較??；對(duì)亮度和噪聲不敏感；不依賴于圖像色彩分布的先驗(yàn)知識(shí)，圖像的增刪不影響檢索的性能；實(shí)現(xiàn)簡(jiǎn)單有效；尤其適用于主色特征比較明顯的圖像表示。判斷一個(gè)q值是否是主色，首先統(tǒng)計(jì)q的歸一化直方圖，然后

5、判斷該q值的概率是否大于某個(gè)閾值，如果概率大于閾值，則該q值為主色。經(jīng)過實(shí)驗(yàn)比較各閾值的效果，本文選取閾值為0.03，將圖像中閾值小于0.03的顏色轉(zhuǎn)化為黑色，得到圖像的主色圖[4]。得到的主色圖如圖1所示。（a）原圖（b）主色圖圖1原圖和主色圖3.聚類圖像分割3.1模糊C均值聚類分割算法模糊C均值聚類算法通過對(duì)目標(biāo)函數(shù)的迭代優(yōu)化實(shí)現(xiàn)集合劃分,它可以表示出圖像各個(gè)像素屬于不同類別的程度[5]。設(shè)n為待聚類像素?cái)?shù),c為類別數(shù)(1<c<n),m為模糊加權(quán)指數(shù)([1,)m∈∞),其控制隸屬度在各類間共享的程度。目標(biāo)函數(shù)的值是圖像中各像素到C聚類中心的加權(quán)距離平方和,可表示為:/

6、/.paper.edu-3-中國(guó)科技論文在線211(,)()cnmmikikikJUVud===∑∑(1)其中,iku為第k個(gè)像素對(duì)第i類的隸屬度,ikd為第k個(gè)像素到第i類的距離,U為模糊分類矩陣,V為聚類中心集合。聚類準(zhǔn)則就是要尋求最佳組對(duì)(,)UV,以使(,)mJUV為最小。mJ的極小化可由下述迭代算法實(shí)現(xiàn):(1)確定聚類類別數(shù)c和加權(quán)指數(shù)m,取ikd為歐氏距離,設(shè)定迭代停止閾值ε為一小正數(shù),初始化迭代次數(shù)l=0和模糊分類矩陣U(0);(2)將U(l)代入式(2),計(jì)算聚類中心矩陣V(l):111()()nmiikknmkikkvuxu===∑∑1,2,ic=??????(2)

7、(3)根據(jù)式(3),利用V(l)更新U(l),得到新的模糊分類矩陣U(l+1):2111ikmcikjjkudd??==????????????????∑(3)(4)若

8、

9、U(l)-U(l+1)

10、

11、<ε,停止。否則,置l=l+1,返回步驟(2)。3.2自適應(yīng)模糊C均值聚類分割算法模糊C均值聚類算法的問題在于初始聚類數(shù)目及聚類中心難以確定，如果隨機(jī)選擇聚類數(shù)目及聚類中心，則分割的結(jié)果難以達(dá)到預(yù)期的效果。為了解決這個(gè)問題，本文提出了一種自適應(yīng)的模糊C均值