[发明专利]一种具备迁移学习能力的模糊聚类图像分割方法

说明书

技术领域

本发明属于图像处理及应用领域，具体是一种具备迁移学习能力的模糊聚类图像分割方法。

背景技术

迁移学习理论自1995年被提及以来，在机器学习领域生产了巨大的影响。该方法颠覆了传统的机器学习方法，使得机器学习更为智能化(Pan J.L.，YangQ.，A Survey on Transfer Learning.IEEE Transactions on Knowledge and DataEngineering，10，2010：1345-1359)。其具体的表现在于，利用该理论在建立模型时会考虑以往已有的相似模型，将以往的模型作为参照体，而后再结合当前的环境进行建模，这样的新型建模方法将大大提高前期的建模效率，并且有效地合理地利用历史储备也有助于模型初期的稳定性，比起传统的不考虑历史相似场景只考虑当前场景，全部从“零”开始的建模方法而言，该种策略来的更加快速有效。并且该种建模方法与人类的认知过程也是一致的，正如我们所知人在认知A’事物时，往往会借助A事物来进行迁移学习(注：A’与A存在某种相似性)，具体的例子有：当人在认知“梨”这个概念时，一般会借用以往对“苹果”的认识来进行迁移再学习，这大大提高了认知的速度以及准确率。同样，对于机器学习而言，融入该策略之后，将使得传统的机器学习方法变得更为智能化。

模糊C均值算法(Fuzzy C-means，简称FCM)是一种经典聚类分析方法，其目的在于将一个未被标记的样本集合按照某种准则划分成若干类，并且规定同一类中的样本点尽量的相似，不同类中的样本点尽可能的不同。采用此类样本分析方法，可以定量地确定出样本之间的远近关系，进而达到对该样本进行合理分类与分析的目的。这种聚类技术及其改进技术经常被运用于图像处理领域(Zhu L.，Chung F.L.，Wang S.T.，Generalized Fuzzy C-Means ClusteringAlgorithm With Improved Fuzzy Partitions.IEEE Transactions on Systems Man andCybernetics，39，2009：578-591)。但该技术由于忽略了样本的空间信息导致了该类技术在面对受到噪声污染的图像时分割的精度常常不能令人满意。针对此种场景，相关的改进技术方案也较多，一般的方案均采用先对图像降噪，而后再利用模糊C均值算法对该处理完的图像进行聚类分析，这种方案在当前的图像处理领域内应用也较为广泛，但是此种做法由于选用的去噪算法的不同通常会在去噪的过程中造成图像信息的损失，从而破坏整个图像的信息成分，造成图像的分割精度不高的现象。找到一种能够不受去噪算法影响，最大限度的保留图像信息成分的方案是当前丞待解决的一个技术热点。

发明内容

本发明的目的在于在不使用任何去噪算法对图像进行预处理的前提下，利用迁移学习的理论，通过有效地的利用大量的历史相似图像经FCM算法总结得到的历史知识来引导当前的图像处理任务，从而提高FCM算法的抗噪能力。

按照本发明提供的技术方案，所述具备迁移学习能力的模糊聚类图像分割方法，包含如下步骤：

1、迁移学习能力的模糊聚类图像分割方法，其特征是，包含如下步骤：

步骤一：利用历史储备图像通过经典FCM算法得到历史聚类中心