基于均值漂移的模糊C均值聚类图像分割方法

龙源期刊网 http://www.qikan.com.cn

基于均值漂移的模糊C均值聚类图像分割方法

作者：王建存

来源：《电子技术与软件工程》2013年第23期

摘 要：本文针对模糊C均值聚类（FCM）算法在分割噪声图像和含有颜色相近区域的图像时存在的不足，提出了一种结合各向异性均值漂移的模糊C均值聚类（FCM）新算法。该算法在传统的FCM算法中引入了均值漂移（MS）算法，分割图像时利用MS算法可快速找到峰值点和图像空间信息的优点，对颜色漂移区域和细长区域均能保留更多的图像信息，同时具有较强的抗噪能力。

【关键词】图像分割 FCM算法 均值漂移算法 1 绪论

图像分割是模式识别、计算机视觉领域的经典研究课题之一，是由图像处理到图像分析的关键技术，在实际生活中的应用非常广泛。作为模糊聚类算法中典型的形式，模糊C均值（FCM）算法已广泛地应用在图像分割领域。但是该算法存在容易收敛到局部极值、计算量大、容易受噪声影响等不足。针对传统的FCM算法对颜色相近的区域很难分割和容易受噪声干扰的缺点，本文对FCM分割算法进行了改进。 2 模糊C均值聚类（FCM）算法

传统的FCM算法通过迭代使得模糊目标函数达到最小以确定最佳聚类，该算法的实现方法是根据数据点的特征将数据点划分为要求的几个类，使得被划分到每个类内的数据点的特征尽量相似，而不同类之间的数据点特征尽量不同。用隶属度函数表示样本与子集的隶属关系，子集构成的矩阵称为模糊隶属矩阵。

3 基于各向异性均值漂移的FCM聚类算法（AMSFCM）

均值漂移（Mean Shift，简称MS）算法是一种有效的特征空间聚类算法，该算法的原理简单、迭代效率高，已广泛应用在图像分割和信息跟踪等领域。它的基本原理是通过迭代搜索特征空间中样本点信息最聚集的地方，迭代过程中搜索点沿着样本点密集的方向移动到密度函数的局部极大值点，对于图像分割，就是要找到不同色彩的聚类点。

基于各向异性均值漂移的模糊C均值聚类算法（AMSFCM）的思想是在FCM算法的基础上对样本点进行均值漂移聚类，由于MS算法是在特征空间中搜索到局部密度极大点，分割图像时统一考虑图像的空间信息和颜色信息，对于彩色图像，每个像素点的信息可用5维特征空