CN104881852B - 基于免疫克隆和模糊核聚类的图像分割方法 - Google Patents
基于免疫克隆和模糊核聚类的图像分割方法 Download PDFInfo
- Publication number
- CN104881852B CN104881852B CN201510320096.4A CN201510320096A CN104881852B CN 104881852 B CN104881852 B CN 104881852B CN 201510320096 A CN201510320096 A CN 201510320096A CN 104881852 B CN104881852 B CN 104881852B
- Authority
- CN
- China
- Prior art keywords
- image
- cluster centre
- filtering
- parameter
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000005192 partition Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 125
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 238000011509 clonal analysis Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 30
- 229910006119 NiIn Inorganic materials 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000003709 image segmentation Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 206010016322 Feeling abnormal Diseases 0.000 description 1
- MKYBYDHXWVHEJW-UHFFFAOYSA-N N-[1-oxo-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propan-2-yl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(C(C)NC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 MKYBYDHXWVHEJW-UHFFFAOYSA-N 0.000 description 1
- NIPNSKYNPDTRPC-UHFFFAOYSA-N N-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 NIPNSKYNPDTRPC-UHFFFAOYSA-N 0.000 description 1
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于免疫克隆和模糊核聚类的图像分割方法，主要解决模糊C均值聚类方法对初始聚类中心敏感，易陷局部最优，分割正确率低等技术问题。实现步骤是：读入一副图像，测图像大小，并转化为灰度图像；设置模糊核聚类方法参数；用可自动调节参数的非局部均值滤波方法对灰度图像滤波得到滤波后图像；利用免疫克隆方法对输入图像的灰度图像优化得到初始聚类中心；用带有滤波的隶属度矩阵公式得到最终隶属度矩阵uki，用带有滤波的聚类中心公式得到最终聚类中心值v2；去模糊化输出分割后图像。本发明具有不会陷于局部最优，分割准确率高和鲁棒性好的优点，可用于人工合成图像，医学图像和自然图像等各种图像的分割。
Description
技术领域
本发明属于图像处理技术领域，主要涉及图像分割，具体是一种基于免疫克隆和模糊核聚类的图像分割方法，可用于人工合成图像，医学图像和自然图像等各种图像的分割。
背景技术
图像分割是计算机视觉领域中重要的内容之一，是模式识别的首要问题，是图像处理的经典难题。只有在图像分割的基础上才能对目标进行提取和识别，图像分割质量的优劣直接影响更高层的图像分析和理解。因此对图像分割的研究具有非常重要的意义。
目前已经提出了很多基于模糊C均值聚类(FCM)的图像分割方法，FCM适合于图像中的不确定性和模糊性等特点，是一种无监督分类方法，分割过程不需要任何人工的干预，适合应用于自动分割的领域，因此FCM分割方法具有自适应性强，收敛速度快等特点，FCM的不足之处是，FCM算法对初始聚类中心值敏感，易收敛到局部最优值，未考虑像素的空间领域信息，对噪声敏感，鲁棒性低。
Stelios Krinidis and Vassilios Chatzis在论文“A Robust Fuzzy LocalInformation C-Means Clustering Algorithm”(IEEE TRANSACTIONS ON IMAGEPROCESSING,VOL.19,NO.5,MAY 2010)中提出了一种改进的模糊C均值聚类图像分割方法。该方法与传统的模糊C均值聚类算法相比，目标函数中引入了加权模糊因素，加权模糊因素中包含图像的领域信息，使得在分割过程中更多的考虑了图像的细节信息，不足之处是其用到的初始聚类中心随机初始化给出，随机初始化得到的初始聚类中心使得聚类中心更新过程中陷于局部最优，无法得到全局最优的聚类中心，且该方法只考虑了图像的邻域信息，没有考虑的图像的像素点的非局部信息，所以对噪声图像的分割率低，鲁棒性差。
南京师范大学在其申请的专利“一种结合邻域信息的快速鲁棒模糊C均值图像分割方法”(专利申请号：CN201210193248.5，公开号：CN102750700A)中公开了一种模糊聚类图像分割方法。该方法对待分割图像的像素点计算其领域像素和中心像素点的相似性度量得到线性加权图像，在加权图像上执行快速模糊C均值分割算法。该方法的隶属度公式中距离度量是欧式距离，欧式距离是一种鲁棒性差的距离度量，所以对噪声点仍比较敏感，鲁棒性较差，分割正确率低，而且其中的初始聚类中心也随机给出，使得聚类中心更新过程中易陷于局部最优。
发明内容
本发明的目的在于针对上述现有技术的不足，提出了一种基于免疫克隆和模糊核聚类的图像分割方法，以避免聚类中心更新过程中陷入局部最优，同时提高图像的分割精度和增强对噪声的鲁棒性。
实现本发明技术目的技术方案，说明如下
本发明是一种基于免疫克隆和模糊核聚类的图像分割方法，其特征在于，包括有以下步骤：
(1)读入一副图像，测量图像的大小，将其转化为灰度图像，得到图像的像素点组成的矩阵I＝{x1,x2,...,xn}；
(2)模糊聚类方法的参数设置：
设置模糊聚类方法的聚类中心总数目c＝4,终止条件e＝0.01,模糊参数m＝2和最大迭代次数T＝500，滤波后的图像项的控制参数α＝5.5，对输入图像分割之前目测得到图像的初始分类数目即聚类中心总数目c；得到了模糊核聚类算法的参数用于步骤(5)的聚类中心的更新；
(3)对输入图像的灰度图像利用自动调节滤波参数的非局部均值滤波方法得到滤波后图像
(4)利用免疫克隆方法对输入的灰度图像的所有像素点进行优化，即对布骤1得到的图像进行优化，得到最优的c个值作为模糊核聚类方法的聚类中心v1，该聚类中心共有c个值，c为聚类的数目。该聚类中心v1为更新前的聚类中心；
(5)首先利用本发明的带有滤波的隶属度矩阵公式对输入的灰度图像优化得到所有像素点的最终隶属度矩阵uki，接着用带有滤波的聚类中心公式对输入的灰度图像优化得到最终聚类中心v2，具体过程包括：
(5a)设置初始迭代次数counter＝1，同时对输入图像和滤波后图像的像素点的数据用本发明方法的带有滤波的隶属度矩阵公式计算图像的隶属度矩阵，第一次迭代时计算中涉及到的聚类中心为步骤(4)得到的初始聚类中心v1,后续迭代时计算中涉及到的聚类中心为步骤(5c)中更新后得到的聚类中心v1；
(5b)利用步骤(5a)得到的隶属度矩阵和输入图像和滤波后图像的像素点的数据信息使用本发明的带有滤波的聚类中心公式计算图像的聚类中心v2，完成对聚类中心的一次更新，计算中涉及到的隶属度矩阵为步骤(5a)得到的隶属度矩阵；
(5c)更新后聚类中心v2和更新前聚类中心v1之差用于判断聚类中心更新是否终止，由于聚类中心中共有c个值，只要c个差值中有一个满足终止条件即可，终止条件是：v2和v1之差小于等于e或者达到最大迭代次数T，若不满足，即聚类中心v2和v1之差的c个值都大于e，则令counter＝counter+1，将聚类中心v2赋给v1，转到步骤(5a)；若满足，即聚类中心v2和v1之差的c个值有一个小于等于e，则输出最终隶属度矩阵uki和最终聚类中心v2，执行步骤(6)；
(6)利用得到的最终隶属度矩阵uki和最终聚类中心v2产生分割图像，该图像是输入图像的最终分割结果图，具体步骤包括：
(6a)从最终隶属度矩阵uki中找出输入图像中的每一个像素点所对应的最大隶属度值,并给该像素点标记上类标号；每个像素点上均标记有其最大隶属度值在隶属度矩阵中的位置的类标号；
(6b)将步骤(5)得到的最终聚类中心v2中的每一聚类的聚类中心值作为每一类类标号对应的灰度值；
(6c)将具有相同灰度值的像素点划分成同一聚类，作为待分割图像的一类，也就是聚类c类中的一种；
(6d)显示待分割图像的每一类，产生分割图像，分割图像共有c类。
本发明中使用免疫克隆方法对输入图像的灰度的所有像素点进行优化，得到最优的聚类中心作为初始的聚类中心，避免了聚类更新过程中聚类中心陷于局部最优值；本发明的带有滤波的隶属度公式和聚类中心公式中使用了调节滤波参数的非局部滤波算法得到的滤波后图像的信息，考虑了图像的非局部信息，增强了对噪声的鲁棒性；而且带有滤波的隶属度公式中使用了加权模糊因素，考虑了图像的邻域信息，提高了图像的分割正确率。
本发明的实现还在于步骤(3)中利用自动调节滤波参数的非局部均值滤波方法是对非局部均值滤波方法的滤波参数进行了改进，使用可调节的滤波参数代替原有滤波方法的固定参数值，非局部均值滤波算法中的滤波参数h对滤波的有效性有很大的影响，滤波参数h设置太小或太大时均无法取得理想的滤波效果，而且应该根据图像的噪声的程度来调节滤波参数h，具体步骤包括有：
(3a)输入灰度图像，取灰度图像的每一个像素点作为中心像素点xi，得到以像素点为xi为中心，半径为r的非局部搜索窗口，计算搜索窗口内的像素点xj与中心像素点xi的相似性sij，
Sij＝||v(Ni)-v(Nj)||2
其中||·||表示欧式距离，v(Ni)是中心像素点xi的半径为r的非局部搜索窗口内的所有像素点，v(Nj)是以像素xj为中心像素点的半径为r的非局部搜索窗口内的所有像素点；
(3b)计算中心像素点xi的滤波参数hi，公式如下：
r是像素点xi的非局部搜索窗口的半径，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号，Ni是中心像素点xi的非局部搜索窗口内的像素点xj的集合，Σ表示求和操作；
(3c)利用得到的相似性值sij和滤波参数hi来计算中心像素点xi的非局部搜索窗口内的像素点xj的权值wij，计算公式如下
其中hi是中心像素点的可调节的滤波参数，sij是中心像素点xi和非局部搜索窗口内的像素点xj的相似性值，exp是指数操作，Zj是归一化参数，计算公式为
其中hi是中心像素点的可调节的滤波参数，sij是中心像素点xi和非局部搜索窗口内的像素点xj的相似性值，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号；
(3d)利用得到的中心像素点xi的非局部搜索窗口内的像素xj的权值wij计算的中心像素xi的非局部均值计算公式如下
其中wij是中心像素点xi的非局部搜索窗口内的像素xj的权值，xj是输入图像的像素点xi的非局部搜索窗口内的像素，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号；
(3e)每个中心像素xi的非局部均值整体构成了滤波后的图像
本发明中用可自动调节滤波参数的非局部滤波算法对输入图像的灰度图像进行滤波得到灰度图像的滤波后图像滤波后的图像用于带有滤波的隶属度矩阵公式和带有滤波的聚类中心公式计算隶属度矩阵和更新聚类中心。
本发明的实现还在于步骤(5a)中用带有滤波的隶属度矩阵计算公式计算图像的隶属度矩阵的过程包括：
(5a1)用加权模糊因素公式计算输入图像的灰度图像的所有像素点xi属于第k类的模糊度Gki，加权模糊因素Gki的计算公式为
其中加权模糊因素Gki是输入图像的灰度图像的像素点xi属于第k类的模糊度，Ni是中心像素点xi的3*3的邻域内的邻域像素点xp的集合，dip是中心像素点xi和邻域内的像素点xp的欧式距离，ukp是Ni中的邻域像素点xp属于第k类的隶属度值，m是模糊参数。
(5a2)用聚类类间模糊项的参数公式计算控制聚类类间模糊项的参数n(k)，聚类类间模糊项的参数n(k)的计算公式为
其中n(k)表示聚类类间模糊项的参数的第k个值，v(k)表示聚类中心v1中的第k个中心值，k＝1,2,...,c，v1(k')表示聚类中心v1中的其他中心值，min表示取最小值操作，max表示取最大值操作，||·||表示欧式距离，表示输入图像的灰度图像的所有像素点的平均值；
(5a3)用带有滤波的隶属度矩阵计算公式计算图像的隶属度矩阵，带有滤波的隶属度矩阵的计算公式为
其中uki表示输入图像的灰度图像中的第xi个像素点属于聚类中心v1中第k个中心的隶属度值，uki在[0,1]范围内取值且满足约束条件：xi是输入图像的灰度图像的像素点的值，v1k是聚类中心v1的第k个值，k＝1,2,...,c，exp是指数操作，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后的图像的像素点的值，Σ表示求和操作，j表示聚类中心中第j个类的标号，Gki是加权模糊因素，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值。
本发明中用带有滤波的隶属度矩阵公式计算得到了图像的隶属度uki，隶属度矩阵中既包括图像的信息，还包括滤波后图像的信息；隶属度矩阵用于计算聚类中心v2即更新聚类中心。
本发明的实现还在于步骤(5b)用带有滤波的聚类中心公式计算图像的聚类中心v2；带有滤波的聚类中心公式如下：
其中v2k表示图像的聚类中心v2中的第k个中心值，n是输入图像的灰度图像的所有像素点xi的数目，uki表示输入图像的灰度图像中的第xi个像素点属于聚类中心v1中第k个中心的隶属度值，xi是输入图像的灰度图像的像素点的值，v1k是聚类中心v1的第k个值，exp是指数操作，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后图像的像素点的值，Σ表示求和操作，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值。
本发明中用带有滤波的聚类中心公式计算得到了聚类中心v2，计算聚类中心过程中既有输入图像的灰度图像的信息，还有滤波后图像的信息；带有滤波的聚类中心公式用于聚类中心的更新。
本发明与现有技术相比有以下优点：
1.本发明中初始聚类中心是用免疫克隆方法对输入图像的灰度图像优化得到的最优的聚类中心，用免疫克隆方法得到的初始聚类中心克服了模糊聚类算法对初始聚类中心值敏感、易陷入局部最优的缺点，使得聚类过程收敛于全局最优，得到合理的图像分割结果；
2.本发明用可调节滤波参数的非局部均值滤波方法对输入图像的灰度图像进行滤波得到滤波后图像，在带滤波的隶属度矩阵公式和带滤波的聚类中心公式中使用了滤波后图像，考虑了输入图像的灰度图像的非局部信息，增强了本发明方法对噪声的鲁棒性；
3.本发明的带滤波的隶属度公式中加权模糊因素中使用了输入图像的灰度图像的邻域信息，使得聚类过程中更多的考虑了图像的细节信息，提高了图像的分割正确率。
附图说明
图1是本发明的实现流程图；
图2是本发明仿真使用的测试图像，其中a图是原图，b图是添加均值为0，方差为0.05的高斯噪声之后的图像；
图3是使用本发明和现有的模糊聚类算法的测试图像的分割图；
图4是本发明和现有的模糊聚类算法分割精度SA参数的曲线图。
具体实施方式
下面结合图1对本发明的具体实施步骤做进一步的详细描述。
图像分割不仅是从图像处理到图像分析的主要手段，而且还是进一步图像理解的基础，图像分割是图像处理中的一个重要步骤，是后续图像处理的基础，图像分割的质量直接影响图像处理的质量。现在随着多媒体与互联网技术的快速发展，简单的把图像看成像素矩阵已无法满足人们的需求。为了实现视频的交互功能，我们将图像表示为多个有意义的对象的组合的形式，而基于目标的图像或视频的浏览、检索、编辑与合成等功能的实现越来越受到人们的关注和青睐，这些功能的实现都依赖于图像分割技术，因此，多年来人们从未终止过对图像分割的研究工作，图像分割问题仍将是研究的热点。
实施例1
本发明是一种基于免疫克隆和模糊核聚类的图像分割方法，参见图1，对图像进行分割的过程具体包括有以下步骤：
(1)读入一副图像，测量图像的大小，将其转化为灰度图像，得到图像的像素点组成的矩阵I＝{x1,x2,...,xn}，对读入的图像测量图像的大小为a*b，转化为灰度图像后得到一个维度为a*b的矩阵I＝{x1,x2,...,xn}；
(2)模糊聚类方法的参数设置：
设置模糊聚类方法的聚类中心总数目c＝4,终止条件e＝0.01,模糊参数m＝2和最大迭代次数T＝500，滤波后的图像项的控制参数α＝5.5；对输入图像分割之前目测得到图像的初始分类数目即聚类中心总数目c，得到了模糊核聚类算法的参数用于步骤(5)的聚类中心的更新；
(3)对输入图像的灰度图像利用自动调节滤波参数的非局部均值滤波方法得到滤波后图像得到的滤波后图像用于计算图像的隶属度矩阵和更新聚类中心；
(4)利用免疫克隆方法对输入的灰度图像的所有像素点进行优化，也就是对步骤(1)得到的图像进行优化，得到最优的c个值作为模糊核聚类方法的聚类中心v1，该聚类中心共有c个值，c为聚类的数目。该聚类中心v1为更新前的聚类中心。当第一次计算时得到的最优的聚类中心v1为初始聚类中心，迭代时聚类中心v1始终是更新前聚类中心；
(5)首先利用本发明的带有滤波的隶属度矩阵公式对输入的灰度图像优化得到所有像素点的最终隶属度矩阵uki，接着用带有滤波的聚类中心公式对输入的灰度图像优化得到最终聚类中心v2，具体过程包括：
(5a)设置初始迭代次数counter＝1，同时对输入图像和滤波后图像的像素点的数据用本发明方法的带有滤波的隶属度矩阵公式计算图像的隶属度矩阵，第一次迭代时计算中涉及到的聚类中心为步骤(4)得到的初始聚类中心v1,后续迭代时计算中涉及到的聚类中心为步骤(5c)中更新后得到的聚类中心v1；
(5b)利用步骤(5a)得到的隶属度矩阵和输入图像和滤波后图像的像素点的数据信息使用本发明的带有滤波的聚类中心公式计算图像的聚类中心v2，完成对聚类中心的一次更新，计算中涉及到的隶属度矩阵为步骤5a)得到的隶属度矩阵；
(5c)更新后聚类中心v2和更新前聚类中心v1之差用于判断聚类中心更新是否终止，由于聚类中心中共有c个值，只要c个差值中有一个满足终止条件即可，终止条件是：v2和v1之差小于等于e或者达到最大迭代次数T，若不满足，即聚类中心v2和v1之差的c个值都大于e，则令counter＝counter+1，将聚类中心v2赋给v1，转到步骤(5a)；若满足，即聚类中心v2和v1之差的c个值有一个小于等于e，则输出最终隶属度矩阵uki和最终聚类中心v2，执行步骤(6)；
(6)利用得到的最终隶属度矩阵uki和最终聚类中心v2产生分割图像，该图像是输入图像的最终分割结果图，具体步骤包括：
(6a)从最终隶属度矩阵uki中找出输入图像中的每一个像素点所对应的最大隶属度值,并给该像素点标记上类标号；每个像素点上均标记有其最大隶属度值在隶属度矩阵中的位置的类标号；
(6b)将步骤(5)得到的最终聚类中心v2中的每一聚类的聚类中心值作为每一类类标号对应的灰度值；
(6c)将具有相同灰度值的像素点划分成同一聚类，作为待分割图像的一类，也就是聚类c类中的一种；
(6d)显示待分割图像的每一类，产生分割图像，分割图像共有c类。
本发明中用可自动调节滤波参数的非局部均值滤波算法对输入图像的灰度图像进行滤波处理得到滤波后的图像，滤波后图像用于隶属度矩阵和聚类中心的计算；使用滤波后图像计算隶属度和聚类中心时既有输入图像的灰度图像的信息，考虑了图像自身的信息，还有滤波后图像的信息，考虑图像的非局部信息，增强了对噪声的鲁棒性；免疫克隆方法对输入图像的灰度图像的所有像素点进行优化，得到最优的聚类中心作为初始的聚类中心，避免了聚类更新过程中聚类中心陷于局部最优值。
实施例2
基于免疫克隆和模糊核聚类的图像分割方法同实施例1，其中步骤3中利用自动调节滤波参数的非局部均值滤波方法是对非局部均值滤波方法的滤波参数进行了改进，使用可调节的滤波参数代替原有滤波方法的固定参数值，非局部均值滤波算法中的滤波参数h对滤波的有效性有很大的影响，滤波参数h设置太小或太大时无法取得理想的滤波效果，而且应该根据图像的噪声的程度来调节滤波参数h，具体步骤包括有：
(3a)输入灰度图像，取灰度图像的每一个像素点作为中心像素点xi，得到以像素点为xi为中心，半径为r的非局部搜索窗口，计算搜索窗口内的像素点xj与中心像素点xi的相似性sij，
Sij＝||v(Ni)-v(Nj)||2
其中||·||表示欧式距离，v(Ni)是中心像素点xi的半径为r的非局部搜索窗口内的所有像素点，v(Nj)是以像素xj为中心像素点的半径为r的非局部搜索窗口内的所有像素点；
(3b)计算中心像素点xi的滤波参数hi，公式如下：
r是像素点xi的非局部搜索窗口的半径，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号，Ni是中心像素点xi的非局部搜索窗口内的像素点xj的集合，Σ表示求和操作；
(3c)利用得到的相似性值sij和滤波参数hi来计算中心像素点xi的非局部搜索窗口内的像素点xj的权值wij，计算公式如下
其中hi是中心像素点的可调节的滤波参数，sij是中心像素点xi和非局部搜索窗口内的像素点xj的相似性值，exp是指数操作，Zj是归一化参数，计算公式为
其中hi是中心像素点的可调节的滤波参数，sij是中心像素点xi和非局部搜索窗口内的像素点xj的相似性值，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号；
(3d)利用得到的中心像素点xi的非局部搜索窗口内的像素xj的权值wij计算的中心像素xi的非局部均值计算公式如下
其中wij是中心像素点xi的非局部搜索窗口内的像素xj的权值，xj是输入图像的像素点xi的非局部搜索窗口内的像素，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号；
(3e)每个中心像素xi的非局部均值整体构成了滤波后的图像
非局部均值滤波算法中的滤波参数h对滤波的有效性有很大的影响，滤波参数h设置太小或太大时无法取得理想的滤波效果，而且应该根据图像的噪声的程度来调节滤波参数h，所以本发明使用可调节的滤波参数代替原有滤波方法的固定参数值。通过使用滤波后图像的信息即使用输入的灰度图像的非局部信息，增加了对噪声抑制能力，增加了本发明对图像的鲁棒性。
实施例3
基于免疫克隆和模糊核聚类的图像分割方法同实施例1-2，步骤(4b)中用带有滤波的隶属度矩阵计算公式计算图像的隶属度矩阵的过程包括：
(4b1)用加权模糊因素公式计算输入图像的灰度图像的所有像素点xi属于第k类的模糊度Gki，加权模糊因素Gki的计算公式为
其中加权模糊因素Gki是输入图像的灰度图像的像素点xi属于第k类的模糊度，Ni是中心像素点xi的3*3的邻域内的邻域像素点xp的集合，dip是中心像素点xi和邻域内的像素点xp的欧式距离，ukp是Ni中的邻域像素点xp属于第k类的隶属度值，m是模糊参数。
(4b2)用聚类类间模糊项的参数公式计算控制聚类类间模糊项的参数n(k)，聚类类间模糊项的参数n(k)的计算公式为
其中n(k)表示聚类类间模糊项的参数的第k个值，v(k)表示聚类中心v1中的第k个中心值，k＝1,2,...,c，v1(k')表示聚类中心v1中的其他中心值，min表示取最小值操作，max表示取最大值操作，||·||表示欧式距离，表示输入图像的灰度图像的所有像素点的平均值；
(4b3)用带有滤波的隶属度矩阵计算公式计算图像的隶属度矩阵，带有滤波的隶属度矩阵的计算公式为
其中uki表示输入图像的灰度图像中的第xi个像素点属于聚类中心v1中第k个中心的隶属度值，uki在[0,1]范围内取值且满足约束条件：xi是输入图像的灰度图像的像素点的值，v1k是聚类中心v1的第k个值，k＝1,2,...,c，exp是指数操作，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后的图像的像素点的值，Σ表示求和操作，j表示聚类中心中第j个类的标号，Gki是加权模糊因素，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值。
带有滤波的隶属度矩阵的计算公式中既有输入图像的灰度图像的邻域信息，又有滤波后图像的信息，同时考虑待图像的非局部信息和邻域信息，可以更好的利用图像的细节信息。且考虑图像的非局部信息可以降低噪声对分割结果的影响，提高鲁棒性。
实施例4
基于免疫克隆和模糊核聚类的图像分割方法同实施例1-3，步骤(4c)中用本发明带有滤波的聚类中心公式计算图像的聚类中心v2，并且用本发明带有滤波的聚类中心公式如下：
其中v2k表示图像的聚类中心v2中的第k个中心值，n是输入图像的灰度图像的所有像素点xi的数目，uki表示输入图像的灰度图像中的第xi个像素点属于聚类中心v1中第k个中心的隶属度值，xi是输入图像的灰度图像的像素点的值，v1k是聚类中心v1的第k个值，exp是指数操作，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后图像的像素点的值，Σ表示求和操作，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值。
本发明带有滤波的聚类中心的计算公式中既有输入图像的灰度图像的邻域信息，又有滤波后图像的信息，同时考虑待图像的非局部信息和自身的信息，可以更好的利用图像的细节信息。且考虑图像的非局部信息可以降低噪声对分割结果的影响，提高鲁棒性。
实施例5
基于免疫克隆和模糊核聚类的图像分割方法同实施例1-4，下面结合图2对本发明的具体实施步骤做进一步的详细描述。
(1)读入一副图像，测量图像的大小，将其转化为灰度图像，得到图像的像素点组成的矩阵I＝{x1,x2,...,xn}；
在本发明的实施例5中，输入图2(a)所示的一副图像，添加均值为0，方差为0.05的高斯噪声如图2(b)所示，测量图像的大小为244*244，将其转化为灰度图像，得到一个由灰度图像的像素点构成的244*244的矩阵I；
(2)模糊聚类方法的参数设置：
设置模糊聚类方法的终止条件e＝0.01,模糊参数m＝2和最大迭代次数T＝500，滤波后的图像项的控制参数α＝5.5，对输入图像分割之前目测得到图像可以分为4类，所以初始分类数目即聚类中心总数目c＝4；
(3)对输入图像的灰度图像I利用自动调节滤波参数的非局部均值滤波方法得到滤波后图像具体过程有：
(3a)输入灰度图像I，取灰度图像的每一个像素点作为中心像素点xi，得到以像素点为xi为中心，半径为r的非局部搜索窗口，计算搜索窗口内的像素点xj与中心像素点xi的相似性sij，
Sij＝||v(Ni)-v(Nj)||2
其中||·||表示欧式距离，v(Ni)是中心像素点xi的半径为r的非局部搜索窗口内的所有像素点，v(Nj)是以像素xj为中心像素点的半径为r的非局部搜索窗口内的所有像素点；
(3b)计算中心像素点xi的滤波参数hi，公式如下：
r是像素点xi的非局部搜索窗口的半径，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号，Ni是中心像素点xi的非局部搜索窗口内的像素点xj的集合，Σ表示求和操作；
(3c)利用得到的相似性值sij和滤波参数hi来计算中心像素点xi的非局部搜索窗口内的像素点xj的权值wij，计算公式如下
其中hi是中心像素点的可调节的滤波参数，sij是中心像素点xi和非局部搜索窗口内的像素点xj的相似性值，exp是指数操作，Zj是归一化参数，计算公式为
其中hi是中心像素点的可调节的滤波参数，sij是中心像素点xi和非局部搜索窗口内的像素点xj的相似性值，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号；
(3d)利用得到的中心像素点xi的非局部搜索窗口内的像素xj的权值wij计算的中心像素xi的非局部均值计算公式如下
其中wij是中心像素点xi的非局部搜索窗口内的像素xj的权值，xj是输入图像的像素点xi的非局部搜索窗口内的像素，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号；
(3e)每个中心像素xi的非局部均值整体构成了大小为244*244的矩阵即滤波后的图像
(4)使用免疫克隆方法对输入图像进行优化得到初始聚类中心v1，具体步骤包括有:
(4a)免疫克隆方法参数设置
设置免疫克隆方法的抗体群大小N＝60，迭代次数Gmax＝90，克隆个数NC1＝4和NC2＝5，变异概率pm＝0.4；
(4b)抗体群初始化
在输入图像的灰度图像像素值中随机选择4个像素值生成一组实数，对该组实数进行浮点数编码得到一个抗体，重复60次得到N个抗体，60个抗体组成初始的抗体群A1；
(4c)计算抗体群的亲和度
设置初始迭代次数G＝1,利用抗体亲和度计算公式计算初始抗体群中所有抗体的亲和度f(A1)；
其中f(A1(t))是抗体群抗体的亲和度，Jm(U,V)是模糊C均值聚类算法的目标函数；
(4d)抗体克隆
对抗体亲和度f(A1)进行从大到小排序，对抗体亲和度排序前12个优秀抗体进行数目为4的克隆得到第一抗体群，对抗体亲和度排序12～24的优秀抗体进行数目为5的克隆得到第二抗体群，第一抗体群和第二抗体群之和为抗体群A2；
(4e)免疫基因操作
对克隆得到的抗体群A2进行均匀变异操作，产生新的抗体群A3；
(4f)抗体库更新
计算抗体群A1和A3的抗体亲和度进行从大到小的排序，选择前N个优秀抗体更新抗体库A1,迭代次数G＝G+1，转向步骤(4c)；若迭代次数G＝Gmax时，解码最优抗体输出初始聚类中心；
(5)首先利用本发明的带有滤波的隶属度矩阵公式对输入的灰度图像优化得到所有像素点的最终隶属度矩阵uki，接着用带有滤波的聚类中心公式对输入的灰度图像优化得到最终聚类中心值v2，具体过程包括：
(5a)设置初始迭代次数counter＝1，同时对输入图像和滤波后图像的像素点的数据用本发明方法的带有滤波的隶属度矩阵公式计算图像的隶属度矩阵，第一次迭代时计算中涉及到的聚类中心为步骤(4)得到的初始聚类中心v1，后续迭代时计算中涉及到的聚类中心为步骤(5c)中更新后得到的聚类中心v1，带有滤波的隶属度矩阵公式为
其中uki表示输入图像的灰度图像中的第xi个像素点属于聚类中心v1中第k个中心的隶属度值，uki在[0,1]范围内取值且满足约束条件：xi是输入图像的灰度图像的像素点的值，v1k是聚类中心v1的第k个值，k＝1,2,...,c，exp是指数操作，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后的图像的像素点的值，Σ表示求和操作，j表示聚类中心中第j个类的标号，Gki是加权模糊因素，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值，加权模糊因素Gki的计算公式为
其中加权模糊因素Gki是输入图像的灰度图像的像素点xi属于第k类的模糊度，Ni是中心像素点xi的3*3的邻域内的邻域像素点xp的集合，dip是中心像素点xi和邻域内的像素点xp的欧式距离，ukp是Ni中的邻域像素点xp属于第k类的隶属度值，m是模糊参数。
聚类类间模糊项的参数n(k)的计算公式为
其中n(k)表示聚类类间模糊项的参数的第k个值，v(k)表示聚类中心v1中的第k个中心值，k＝1,2,...,c，v1(k')表示聚类中心v1中的其他中心值，min表示取最小值操作，max表示取最大值操作，||·||表示欧式距离，表示输入图像的灰度图像的所有像素点的平均值；
(5b)利用步骤(5a)得到的隶属度矩阵和输入图像和滤波后图像的像素点的数据信息使用本发明的带有滤波的聚类中心公式计算图像的聚类中心v2，完成对聚类中心的一次更新，计算中涉及到的隶属度矩阵为步骤(5a)得到的隶属度矩阵，带有滤波的聚类中心公式为
其中v2k表示图像的聚类中心v2中的第k个中心值，n是输入图像的灰度图像的所有像素点xi的数目，uki表示输入图像的灰度图像中的第xi个像素点属于聚类中心v1中第k个中心的隶属度值，xi是输入图像的灰度图像的像素点的值，v1k是聚类中心v1的第k个值，exp是指数操作，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后图像的像素点的值，Σ表示求和操作，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值。
(5c)聚类中心v2和v1的类别对应值相减，用其差判断聚类中心更新是否终止，终止条件是：v2和v1之差小于等于e或者达到最大迭代次数T，若不满足，即聚类中心v2和v1之差大于e，则令counter＝counter+1，将聚类中心v2赋给v1，转到步骤(5a)；若满足，即聚类中心v2和v1之差小于等于e，则输出最终隶属度矩阵uki和最终聚类中心v2，执行步骤(6)；
(6)利用得到的最终隶属度矩阵uki和最终聚类中心v2产生分割图像，该图像是输入图像的最终分割结果图，具体步骤包括：
(6a)从最终隶属度矩阵uki中找出输入图像中的每一个像素点所对应的最大隶属度值,并给该像素点标记上类标号，每个像素点上均标记有其最大隶属度值在隶属度矩阵中的位置的类标号得到矩阵I2；
(6b)将步骤5得到的最终聚类中心v2中的每一聚类的聚类中心值作为每一类类标号对应的灰度值；
(6c)将具有相同灰度值的像素点划分成同一聚类，作为待分割图像的一类，也就是聚类4类中的一种得到矩阵；
(6d)显示待分割图像的每一类，产生分割图像I3,分割图像共有4类，参见图3(a)。
本发明中初始聚类中心是用免疫克隆方法对输入图像的灰度图像优化得到的最优的聚类中心，用免疫克隆方法得到的初始聚类中心克服了模糊聚类算法对初始聚类中心值敏感、易陷入局部最优的缺点，使得聚类过程收敛于全局最优，得到合理的图像分割结果。
实施例6
基于免疫克隆和模糊核聚类的图像分割方法同实施例1-5，下面通过仿真对本发明的效果进一步的详细描述：
1.实验条件：
在CPU为core i3 2.4GHZ、内存2G、WINDOWS 7系统上使用Matlab 2010a进行仿真。
2.实验内容
本实验对图2(b)所示的测试图像进行分割，采用对比实验形式，将本发明的结果与以下方法进行比较，以验证本发明的有效性。
对比方法是Stelios Krinidis等人提出的FLICM方法，具体参考文献”SteliosKrinidis and Vassilios Chatzis,”A Robust Fuzzy Local Information C-MeansClustering Algorithm”IEEE TRANSACTIONS ON IMAGE PROCESSING,VOL.19,NO.5,MAY2010”。
3.实验结果
本发明与现有的对比算法分别对图像进行分割，其中图2(a)为测试图像的原图像，(b)为测试图像添加0.01高斯噪声之后的图像；图3(a)为本发明对图2(b)的分割结果图；图3(b)为对比算法对图2(b)的分割结果图；表1为本发明与现有对比算法分别对图2进行分割后的分割正确率SA参数的比较图，分割正确率参数反应的是分割后的图像与原来的测试图像相比分割结果的正确率。
表1 本发明和现有方法图像图像分割正确率的对比
| 高斯0.01 | 高斯0.05 | 高斯0.1 | 高斯0.15 | 高斯0.2 | 高斯0.25 | |
| 本发明 | 99.18 | 97.79 | 92.98 | 90.43 | 83.33 | 79.01 |
| 对比方法 | 99.14 | 97.61 | 90.42 | 80.63 | 71.43 | 65.21 |
从图3(a)和图3(b)可以看出，图3(a)是本发明的方法得到的分割结果图，图3(b)是对比方法得到的分割结果图。图3(a)中没有误分的杂点，分割的边缘清晰，图3(b)中大量误分的杂点，所以本发明方法的分割效果优于对比方法。
表1是本发明和对比方法对不同方差的添加高斯噪声的图像进行分割时得到的分割正确率，添加不同方差的高斯噪声时，本发明得到分割正确率的值均大于对比方法得到的分割正确率的值，说明本发明的分割正确率更高。
图4是本发明和对比方法对不同方差的添加高斯噪声的图像进行分割时得到的分割正确率的曲线图，从图4中可以看出，当添加的噪声的方差增大时，分割正确率会降低，但本发明的分割正确率降低的幅度小于对比方法，说明本发明的方法对噪声的敏感度低，鲁棒性更好。
综上，本发明的基于免疫克隆和模糊核聚类的图像分割方法，主要解决模糊C均值聚类方法对初始聚类中心敏感，易陷入局部最优；分割正确率低和鲁棒性差的技术问题。其实现步骤是：1读入一副图像，测图像大小，并转化为灰度图像；2设置模糊核聚类方法参数；3用可自动调节参数的非局部均值滤波方法对灰度图像滤波得到滤波后图像；4利用免疫克隆方法对输入图像的灰度图像优化得到初始聚类中心；5用本发明带有滤波的隶属度矩阵公式对输入的灰度图像优化得到所有像素点最终隶属度矩阵uki，用带有滤波的聚类中心公式对输入的灰度图像优化得到最终聚类中心值v2；6去模糊化输出分割之后的图像；本发明的初始聚类中心是用免疫克隆方法对输入图像的灰度图像优化得到的最优的聚类中心，克服了模糊聚类算法对初始聚类中心值敏感、易陷入局部最优的缺点，使得聚类过程收敛于全局最优，得到合理的图像分割结果；用可调节滤波参数的非局部均值滤波方法对输入图像的灰度图像进行滤波得到滤波后图像，带滤波的隶属度矩阵公式和带滤波的聚类中心公式中使用了滤波后图像，考虑了输入图像的灰度图像的非局部信息，增强了本发明方法对噪声的鲁棒性；带滤波的隶属度公式中加权模糊因素中使用了输入图像的灰度图像的邻域信息，使得聚类过程中更多的考虑了图像的细节信息，提高了图像的分割正确率；可用于人工合成图像，医学图像和自然图像等各种图像的分割。
Claims (4)
1.一种基于免疫克隆和模糊核聚类的图像分割方法，其特征在于，包括有以下步骤
步骤1读入一幅图像，测量图像的大小，将其转化为灰度图像，得到图像的像素点组成的矩阵I＝{x1,x2,...,xn}；
步骤2模糊聚类方法的参数设置
设置模糊聚类方法的聚类中心总数目c＝4,终止条件e＝0.01,模糊参数m＝2和最大迭代次数T＝500，滤波后的图像项的控制参数α＝5.5；
步骤3对灰度图像利用自动调节滤波参数的非局部均值滤波方法得到滤波后图像
步骤4利用免疫克隆方法对输入的灰度图像的所有像素点进行优化，得到最优的灰度图像的聚类中心v1，该聚类中心为更新前聚类中心，共有c个值；
步骤5首先利用带有滤波的隶属度矩阵公式对输入的灰度图像优化得到所有像素点的最终隶属度矩阵uki，接着用带有滤波的聚类中心公式对输入的灰度图像优化得到最终聚类中心值v2，具体过程包括：
5a)设置初始迭代次数counter＝1，用带有滤波的隶属度矩阵公式计算图像的隶属度矩阵，计算中涉及到的聚类中心为聚类中心v1；
5b)用带有滤波的聚类中心公式计算图像的聚类中心v2，完成对聚类中心的一次更新，计算中涉及到的隶属度矩阵为步骤5a)得到的隶属度矩阵；
5c)更新后聚类中心v2和更新前聚类中心v1之差用于判断聚类中心更新是否终止，由于聚类中心中共有c个值，只要c个差值中有一个满足终止条件即可，终止条件是：v2和v1之差小于等于e或者达到最大迭代次数T，若不满足，则令counter＝counter+1，将聚类中心v2赋给v1，转到步骤5a)；若满足，则输出最终隶属度矩阵uki和最终聚类中心v2，执行步骤6；
步骤6利用得到的最终隶属度矩阵uki和最终聚类中心v2产生分割图像，该 图像是输入图像的最终分割结果图，具体步骤包括：
6a)从最终隶属度矩阵uki中找出输入图像中的每一个像素点所对应的最大隶属度值,并给该像素点标记上最大隶属度值在隶属度矩阵中的位置作为类标号；
6b)将步骤5得到的最终聚类中心v2中的每一聚类的聚类中心值作为每一类类标号对应的灰度值；
6c)将具有相同灰度值的像素点划分成同一聚类，作为待分割图像的一类；
6d)显示待分割图像的每一类，产生分割图像。
2.根据权利要求1所述基于免疫克隆和模糊核聚类的图像分割方法，其特征在于，步骤3中利用自动调节滤波参数的非局部均值滤波方法是对非局部均值滤波方法的滤波参数进行了改进，使用可调节的滤波参数代替原有固定参数值，具体步骤包括有：
3a)输入灰度图像，取灰度图像的每一个像素点作为中心像素点xi，得到以像素点xi为中心，半径为r的非局部搜索窗口，计算搜索窗口内的像素点xj与中心像素点xi的相似性sij，
Sij＝||v(Ni)-v(Nj)||2
其中||·||表示欧式距离，v(Ni)是中心像素点xi的半径为r的非局部搜索窗口内的所有像素点，v(Nj)是以像素xj为中心像素点的半径为r的非局部搜索窗口内的所有像素点；
3b)计算中心像素点xi的滤波参数hi，
r是中心像素点xi的非局部搜索窗口的半径，j是中心像素点xi的非局部搜索窗口内的像素点xj的标号，Ni是中心像素点xi的非局部搜索窗口内的像素点xj的集合，∑表示求和操作；
3c)利用得到的相似性值sij和滤波参数hi来计算中心像素点xi的非局部搜索窗口内的像素点xj的权值wij，
其中hi是中心像素点的可调节的滤波参数，sij是中心像素点xi和非局部搜索窗口内的像素点xj的相似性值，exp是指数操作，Zj是归一化参数，计算公式为
3d)利用得到的中心像素点xi的非局部搜索窗口内的像素xj的权值wij计算的中心像素点xi的非局部均值
3e)每个中心像素点xi的非局部均值整体构成了滤波后的图像
3.根据权利要求1所述基于免疫克隆和模糊核聚类的图像分割方法，其特征在于步骤5a)中用带有滤波的隶属度矩阵计算公式计算图像的隶属度矩阵的过程包括
5a1)用加权模糊因素公式计算输入图像的灰度图像的所有像素点属于第k类的模糊度Gki，加权模糊因素Gki的计算公式为
其中加权模糊因素Gki是输入图像的灰度图像的中心像素点xi属于第k类的模糊度，Ni是中心像素点xi的3*3的邻域内的邻域像素点xp的集合，dip是中心像素点xi和邻域内的像素点xp的欧式距离，ukp是Ni中的邻域像素点xp属于第k类的隶属度值，m是模糊参数，v1k是聚类中心v1的第k个值，k＝1,2,...,c，exp是指数操作；
5a2)用聚类类间模糊项的参数公式计算控制聚类类间模糊项的参数n(k)， 聚类类间模糊项的参数n(k)的计算公式为
其中n(k)表示聚类类间模糊项的参数的第k个值，v1(k)表示聚类中心v1中的第k个中心值，k＝1,2,...,c，v1(k')表示聚类中心v1中的其他中心值，min表示取最小值操作，max表示取最大值操作，||·||表示欧式距离，表示输入图像的灰度图像的所有像素点的平均值；
5a3)用带有滤波的隶属度矩阵计算公式计算图像的隶属度矩阵，带有滤波的隶属度矩阵的计算公式为
其中uki表示输入图像的灰度图像中的第i个像素点属于聚类中心v1中第k个中心的隶属度值，uki在[0,1]范围内取值且满足约束条件：xi是输入图像的灰度图像的中心像素点的值，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后的图像的中心像素点的非局部均值，∑表示求和操作，j表示聚类中心中第j个类的标号，Gki是加权模糊因素，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值。
4.根据权利要求1所述基于免疫克隆和模糊核聚类的图像分割方法，其特征在于步骤5b)用带有滤波的聚类中心公式计算图像的聚类中心v2；带有滤波的聚类中心公式如下：
其中v2k表示图像的聚类中心v2中的第k个中心值，n是输入图像的灰度图像的所有像素点的数目，uki表示输入图像的灰度图像中的第i个像素点属于聚类中心v1中第k个中心的隶属度值，xi是输入图像的灰度图像的中心像素点的值，v1k是聚类中心v1的第k个值，exp是指数操作，σ表示高斯核参数，其取值180，α是滤波后的图像的控制参数，是滤波后图像的中心像素点的非局部均值，∑表示求和操作，n(k)表示聚类类间模糊项的参数，表示输入图像的灰度图像的所有像素点的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510320096.4A CN104881852B (zh) | 2015-06-11 | 2015-06-11 | 基于免疫克隆和模糊核聚类的图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510320096.4A CN104881852B (zh) | 2015-06-11 | 2015-06-11 | 基于免疫克隆和模糊核聚类的图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104881852A CN104881852A (zh) | 2015-09-02 |
| CN104881852B true CN104881852B (zh) | 2017-09-05 |
Family
ID=53949337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510320096.4A Expired - Fee Related CN104881852B (zh) | 2015-06-11 | 2015-06-11 | 基于免疫克隆和模糊核聚类的图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104881852B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976379A (zh) * | 2016-05-11 | 2016-09-28 | 南京邮电大学 | 一种基于布谷鸟优化的模糊聚类彩色图像分割方法 |
| CN106600610B (zh) * | 2016-12-07 | 2020-03-31 | 上海智臻智能网络科技股份有限公司 | 一种fcm图像分割方法及装置 |
| CN108335268B (zh) * | 2018-01-05 | 2021-09-07 | 广西师范大学 | 一种基于盲解卷积的彩色图像去模糊的方法 |
| CN111539945B (zh) * | 2020-04-28 | 2022-09-13 | 西华大学 | 一种改进pcm聚类的绝缘子图像分割方法 |
| CN111932472B (zh) * | 2020-07-27 | 2024-05-14 | 江苏大学 | 一种基于软聚类的图像保边滤波方法 |
| CN113160213B (zh) * | 2021-05-12 | 2022-10-14 | 西南科技大学 | 一种融合图像局部和非局部信息的像素隶属度估计新方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923714A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于空间加权隶属度模糊c-均值的纹理图像分割方法 |
| CN101923715A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 |
| CN104021563A (zh) * | 2014-06-19 | 2014-09-03 | 西安电子科技大学 | 基于多目标模糊聚类和反对学习的噪声图像分割方法 |
| CN105654453A (zh) * | 2014-11-10 | 2016-06-08 | 华东师范大学 | 一种鲁棒性的fcm图像分割方法 |
-
2015
- 2015-06-11 CN CN201510320096.4A patent/CN104881852B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923714A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于空间加权隶属度模糊c-均值的纹理图像分割方法 |
| CN101923715A (zh) * | 2010-09-02 | 2010-12-22 | 西安电子科技大学 | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 |
| CN104021563A (zh) * | 2014-06-19 | 2014-09-03 | 西安电子科技大学 | 基于多目标模糊聚类和反对学习的噪声图像分割方法 |
| CN105654453A (zh) * | 2014-11-10 | 2016-06-08 | 华东师范大学 | 一种鲁棒性的fcm图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| AI优化模糊核聚类算法的变压器DGA分析;宋志杰 等;《电力系统及其自动化学报》;20140430;第26卷(第4期);第39-43页 * |
| Optimal-selection-based suppressed fuzzy c-means clustering algotithm with self-tuning non local spatial information for image segmentation;Feng Zhao等;《Expert systems with applications》;20140731;第41卷(第9期);第4083-4093页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104881852A (zh) | 2015-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
| CN104881852B (zh) | 基于免疫克隆和模糊核聚类的图像分割方法 | |
| CN104866810B (zh) | 一种深度卷积神经网络的人脸识别方法 | |
| CN106682598B (zh) | 一种基于级联回归的多姿态的人脸特征点检测方法 | |
| CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
| CN106570480B (zh) | 一种基于姿势识别的人体动作分类方法 | |
| CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
| CN107133496B (zh) | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN106529504B (zh) | 一种复合时空特征的双模态视频情感识别方法 | |
| CN111860587B (zh) | 一种用于图片小目标的检测方法 | |
| CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
| CN109948467A (zh) | 人脸识别的方法、装置、计算机设备和存储介质 | |
| CN101833667A (zh) | 一种基于分组稀疏表示的模式识别分类方法 | |
| CN109064389B (zh) | 一种手绘线条画生成现实感图像的深度学习方法 | |
| CN105654122B (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
| CN109034131A (zh) | 一种半自动人脸关键点标注方法及存储介质 | |
| CN114299542A (zh) | 一种基于多尺度特征融合的视频行人重识别方法 | |
| CN104966075B (zh) | 一种基于二维判别特征的人脸识别方法与系统 | |
| CN106845456A (zh) | 一种视频监控系统中人体摔倒监测的方法 | |
| CN104318271B (zh) | 一种基于适应性编码和几何平滑汇合的图像分类方法 | |
| CN112380374B (zh) | 一种基于语义扩充的零样本图像分类方法 | |
| CN110070068A (zh) | 一种人体动作识别方法 | |
| Zeng et al. | Local feature descriptor based rapid 3D ear recognition | |
| CN105389573B (zh) | 一种基于局部三值模式分层重构的人脸识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170905 |