[发明专利]一种图像分割方法及系统

说明书

本发明涉及一种图像分割方法及系统，所述方法包括如下步骤：对样本图像进行特征提取，构建所述样本图像的样本矩阵；采用鲁棒判别模糊C均值聚类方法，确定所述样本矩阵的隶属度矩阵；利用所述隶属度矩阵对所述样本图像进行分割。本发明利用一种将模糊理论与聚类算法结合的鲁棒判别模糊C均值聚类方法，实现图像分割，对噪声图像有更好的分割性能，对图像中的非均衡信息和边缘信息有更强的识别与提取能力，图像分割结果更加准确，提高了图像分割的效果。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像分割方法及系统。

背景技术

在数字时代的背景下，飞速发展信息技术使人们获得了许多海量、复杂的数据，学会合理地进行数据分析，挖掘大数据中的有用信息可以给人们带来更多的价值，来满足新时代下不同的应用需求。

聚类分析是多元统计分析中的核心方法之一，处在无监督学习的框架之中，与有监督学习相比，节省了标记数据的成本，更具有实用性。

在数字图像时代的背景下，很多关于图像分割的方法被提出，主要有基于阈值的分割方法，基于聚类的分割方法，基于区域的分割方法，基于边缘的分割方法和基于图论的分割方法，实际上，由于图像信息本身具有模糊性，现有的分割方法存在分割效果差的缺陷。

发明内容

有鉴于此，本发明提供了一种图像分割方法及系统，以提高图像分割效果。

为实现上述目的，本发明提供了如下方案：

一种图像分割方法，所述方法包括如下步骤：

对样本图像进行特征提取，构建所述样本图像的样本矩阵；

采用鲁棒判别模糊C均值聚类方法，确定所述样本矩阵的隶属度矩阵；

利用所述隶属度矩阵对所述样本图像进行分割。

可选的，所述采用鲁棒判别模糊C均值聚类方法，确定所述样本矩阵的隶属度矩阵，具体包括：

初始化每个数据簇的聚类中心；

根据每个数据簇的聚类中心，计算样本矩阵中每个样本点相对于每个数据簇的隶属度，构建隶属度矩阵；

判断是否满足迭代结束条件，获得判断结果；

若所述判断结果表示否，根据隶属度矩阵更新每个数据簇的聚类中心，返回步骤“根据每个数据簇的聚类中心，计算样本矩阵中每个样本点相对于每个数据簇的隶属度，构建隶属度矩阵”；

若所述判断结果表示是，则输出所述隶属度矩阵。

可选的，所述根据每个数据簇的聚类中心，计算样本矩阵中每个样本点相对于每个数据簇的隶属度，具体包括：

根据每个数据簇的聚类中心，采用公式计算样本矩阵中每个样本点相对于每个数据簇的隶属度；

其中，u_ij表示样本矩阵中第j个样本点相对于第i个数据簇的隶属度，c表示数据簇的数量，v_i表示第i个数据簇的聚类中心，x_j表示第j个样本点的特征，v_k表示第k个数据簇的聚类中心，m表示模糊指数。

可选的，所述根据隶属度矩阵更新每个数据簇的聚类中心，具体包括：

根据每个数据簇的聚类中心，利用公式计算超参数；

其中，λ_t表示超参数，N表示样本点的数量，x_j表示第j个样本点的特征，c表示数据簇的数量，v_i表示第i个数据簇的聚类中心，v_total表示全局聚类中心，

根据所述超参数和所述隶属度矩阵，采用公式更新每个数据簇的聚类中心；