[发明专利]一种自然场景中的图像分割方法

说明书

技术领域

本发明涉及一种图像分割方法，尤其是涉及一种自然场景中的图像分割方法。

背景技术

随着互联网技术和电子商务的迅速发展，数字图像每日都在以惊人的速度增长，如何在大量的图像中找到用户所感兴趣的图像成为当前研究的热门问题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。模糊C均值算法(即FCM)是一种基于特定理论的分割算法，目前广泛应用于MRI脑图像分割，文本识别，车牌识别以及大数据的处理等各个方面。

FCM由Dunn提出并由Bezdek推广，它是在硬分类的基础上添加了隶属度函数，使得每个样本点不再属于某一确定的类，而是以一定的比例隶属于不同的类。这就使得传统的FCM较硬分类来说，能够保持更多的图像信息。但是传统的FCM并没有考虑到周围邻域的信息，使得FCM算法对噪声非常的敏感。FCM_S算法在FCM的基础上考虑了周围邻域的信息，使得中心点的类别受周围邻域点类别的影响，这大大增强了算法对噪声和奇异点的鲁棒性。但是，算法在每次迭代过程中都要对周围邻域点进行计算，使得算法非常耗时。而且在噪声增大的情况下，FCM_S算法并不能很好的去除噪声，经常出现分错类的情况。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种自然场景中的图像分割方法。

本发明的目的可以通过以下技术方案来实现：

一种自然场景中的图像分割方法，其特征在于，包括以下步骤：

步骤1：输入一张待处理的图片；

步骤2：判断该图片是否是灰度图像，如果是，将进行步骤3)；否则将图片转化为灰度图像后进行步骤3)；

步骤3：设定模糊指数m、迭代停止阈值ε和最大迭代次数maxIter，并初始化聚类个数c和邻域窗口W；

步骤4：初始化聚类中心V或者隶属度U；如果初始化的是聚类中心，则计算出第0次迭代的隶属度U₀后进行步骤5)；如果初始化的是隶属度，则计算出第0次迭代的聚类中心V₀后进行步骤5)；

步骤5：对于第iter次迭代，iter＝1，2，...，maxIter，求出邻域点与聚类中心的欧式距离；并根据隶属度U_iter-1重新计算第iter次迭代的聚类中心V_iter或者根据聚类中心V_iter-1重新计算第iter次迭代的隶属度U_iter；

步骤6：如果步骤5所求的是第iter次迭代的聚类中心V_iter，则重新计算第iter次迭代的隶属度U_iter并进行步骤7)；如果步骤5所求的是第iter次迭代的隶属度U_iter，则新计算第iter次迭代的聚类中心V_iter并进行步骤7)；

步骤7：若第iter次迭代前后的隶属度值差小于迭代停止阈值ε或者迭代次数iter超过最大迭代次数maxIter时，则完成图像分割并输出分割后的图像；否则重复步骤5与步骤6进行下一次迭代计算隶属度和聚类中心直至满足该条件为止。

所述的步骤4)计算出第0次迭代的隶属度U₀具体为，U₀为C×N的矩阵，每个元素计算如下：

其中u_ki图像中第i个像素点x_i属于第k类的程度，x_i第i个像素点，其中i∈[1,2,...,N]，N代表图片中像素点的个数，C为要将图片分割的个数也是聚类中心的个数，x_r代表x_i的邻域点，v_k表示第k个聚类中心，其中k∈[1,2,...,C]，v_j表示第j个聚类中心，m是权值系数。

所述的步骤4)计算出第0次迭代的聚类中心V₀具体为，V₀为C×1的矩阵，每个元素计算如下：