结合模糊C均值聚类与图割的图像分割方法

万方数据
万方数据
１９２０计算机应用第２９卷
移动的计算。

通过最小割算法可解决该问题。

３．３最小割／最大流算法
求最小割／最大流的算法有多种，由于预流推进算法【１副具有启发式搜索的优点，并且在实验性能方面更有优势，所以本文采用预流推进算法。

由于ＦＣＭ算法对噪声敏感，当待分割图像不含噪声或噪声很低时能得到较好的分割效果，否则很难得到令人满意的分割结果。

因此本算法首先对待分割图像进行中值滤波，具体步粲如下：
步骤ｌ对图像进行中值滤波，减少图像噪声。

步骤２设定合适的聚类数目ｅ控制模糊程度的加权指数ｂ＝２。

步骤３对滤波后的图像采用ＦＣＭ算法进行聚类。

步骤４根据聚类数日ｃ建立加权图网络，如果ｅ＝２，建立ｓ－ｔ图网络，否则建立多终端图网络（图２）。

根据聚类中心分别计算ｔ－ｌｉｎｋｓ和ｎ－ｌｉｎｋｓ边权值，完成数据项Ｅ№∽及平滑项Ｅ。

∽的赋值。

步骤５根据建立的网络图，调用Ｏｔ扩展算法和最小割／最大流算法得到一个全局最优或近似最优的ｆ：Ｐ一￡。

步骤６根据工完成对图像像素点的重新划分。

４实验结果和分析
本文的研究对象主要是灰度图像，实验基于Ｍａｔｌａｂ（Ｒ２００８ａ）环境，采用Ｍａｔｌａｂ和Ｃ＋＋语占混合编程实现。

实验平台为ＷｉｎｄｏｗｓＸＰ．ＣＰＵ：Ｐｅｎｔｉｕｍ４３．０ＧＨｚ．ＲＡＭ：ｌＧＢ。

皇，蜃．０２８９５圆蕊圃
ｃａ，测试图像ｍ’棼封蓍粪∽’务萄名集
图４含噪声污染的车牌图像分割实例
图４（ａ）是一幅车牌测试图像，图４（ｂ）是直接ＦＣＭ聚类对车牌的分割结果，图４（ｃ）本文方法的分割结果。

从放大的（ａ）图中町以清晰地看到车牌卜的汉字、字母以及数字分别受到噪声的干扰，其中汉字‘甲’污染较严重，由图（ｂ）可以看到单一的ＦＣＭ分割结果受噪声的影响较严重，不能够Ｉ｝ｉ确分类，而本文的分割方法具有很强的鲁棒性，能够实现正确分类。

图５中有两幅测试图像，（ａ）是无噪声污染的测试图像，（ｂ）是直接ＦＣＭ聚类分割的结果，（Ｃ）是本文方法的分割结果，（ｄ）是本文方法分割得到的实图。

从图（ｂ）与（Ｃ）对比中可以看到，单一的ＦＣＭ聚类会把～些样本点错分，不能得到令人满意的结果，而本文的分割方法能得到与人类视觉效果一致性的结果。

图５无污染的图像分割实例
医学图像的分割一直是图像分割领域中的难点，本文算法用于医学图像，也得到不错的效果。

图６（８）是人脑的ＭＲ切片图像，（ｂ）是直接用ＦＣＭ聚类分割的结果，（Ｃ）是本文方法分割结果，（ｄ）是本文方法提取到的脑白质图像。

对比（ｂ）和（ｃ）两图可以清楚看到，（ｂ）图中的脑自质区存在许多错分点，而ｆｒ）图对这屿错分点进行了证确的划分。

图６ＭＲ图像分割实例
实验表明，本文结合ＦＣＭ与图割理论的图像分割方法在分割精度、性能、抗噪性等方面较原ＦＣＭ方法都有较大提高，具有较强的鲁棒性。

５结语
本文提出了一种结合模糊Ｃ均值聚类与图割理论的图像分割方法。

首先用ＦＣＭ提取出目标的初始聚类轮廓；然后利用图割理论建立一个关于标弓的全局能量函数Ｅ（力，将图像的分割问题转化为找到一个能使伞局能量函数最小或近似最小的映射ｆ：Ｐ一￡；根据聚类的结果建立关于Ｅ∽的网络图，通过ａ扩展算法求得关于Ｅ的近似最优解，，对像素点莺新划分，最终实现目标的正确分割。

该方法能够把握图像的全局和局部信息对门标进行分割．所以能够对原ＦＣＭ错分点起到纠正作用。

实验证明了本方法的可行性，并且本方法是全自动的，消除了由于人机交互引发误操作的町能性，在一定程度卜也保证ｒ分割精度。

参考文献：
【１】ＢＯＹＫＯＶＹ，ＪＯＬＬＹＭＰ．ＩｎｔｅｒａｃｔｉｖｅｇｒａｐｈＣｕｔｓｆｏｒｏｐｔｉｍａｌｂｏｕｎｄ－ａｒｙ
ａｎｄ
ｒｅｇｉｏｎｓｅｇｍｅｎｔａｔｉｏｎ
ｏｆｏｂｊｅｃｔｓｉｎＮ—Ｄｉｍａｇｅｓ【ＥＢ／ＯＬ】．【２００８一¨一２０１．ｈｔｔｐ：／／ｗｗｗ．ｃｓｄ．ＵＷＯ．ｃａ／一ｙｕｒｉ／Ｐａｐｅｒｓ／ｉｃ·ｃｖ０１．ｐｄｆ．
【２】ＧＲＥＩＧＤ。

ＰＯＲＴＥＯＵＳＢ，ＳＥＨＥＵＬＴＡ．Ｅｘａｃｔｍａｘｉｍｕｍａｐｏｓｔｅｒｌ—ｏｒｉｅｓｔｉｍａｔｉｏｎｆｏｒｂｉｎａｒｙｉｍａｇｅｓ【ＪＪ．ＪｏｕｒｎａｌｏｆｔｈｅＲｏｙａｌＳｔａｔｉｓｔｉｃａｌＳｏｃｉｅｔｙ，１９８９，５１（２）：２７１—２７９．
【３】ＸＵＮＩＮＧ。

ＡＨＵＪＡＮ，ＢＡＮＳＡＬＲ．Ｏｂｊｅｃｔｓｅｇｍｅｎｔａｔｉｏｎｕｓｉｎｇｇｒａｐｈｃｕｔｓｂａｓｅｄａｃｔｉｖｅｃｏｎｔｏｕｒｓ［ＪＩ．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅ
Ｕｎｄｅｒｓｔａｎｄｉｎｇ。

２００７，１０７（３）：２１０—２２４．
【４１ＢＯＹＫＯＶＹ，ＦＵＮＫＡ－ＬＥＡＧ．ＧｒａｐｈｃｕｔｓａｎｄｅｆｆｉｃｉｅｎｔＮ—Ｄｉｍａｇｅｓｅｇｅｍｅｎｔａｔｉｏｎ【Ｊ１．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００６，
７０（２１：１０９—１３１．
【５】王年，范益政，鲍文霞，等．基于图割的图像匹配算法【Ｊ】．电子学报，２００６，３４（２）：２３２—２３６．
【６】ＬＥＭＰＩＴＳＫＹＶ，ＢＯＹＫＯＶＹ，１ＶＡＮＯＶＤ．Ｏｒｉｅｎｔｅｄｖｉｓｉｂｉｌｉｔｙｆｏｒｍｕｈｉｖｉｅｗｒｅｃｏｎｓｔｒｕｃｔｉｏｎ［ＥＢ／ＯＬ］．【２００８—１Ｉ一２０】．ｈｔｔｐ：／／ｗｗｗ．
ｃｓｄ．ＯＷＯ．ｃａ／一ｙｕｒｉ／Ｐａｐｅｒｓ／ｅｃｃｖ２００６一ｏｒｉｅｎｔｅｄ＿ｖｉａ．ｐａｌ．
【７】ＶＯＧＩＡＴＺＩＳＧ，ＴＯＲＲＰＨＳ，ＣＩＰＯＬＬＡＲ．Ｍｕｌｔｉ—ｖｉｅｗｓｔｅｒｅｏｖｉａｖｏｌｕｍｅｔｒｉｃｇｒａｐｈ—ｃｕｔｓ【Ｃ１／／ＩＥＥＥＣｏｎｆｅｒｅｎｃｅＯｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｌｔｅｍＲｅｃｏｇｎｉｔｉｏｎ．Ｗａｓｈｉｎｇｔｏｎ。

ＤＥ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅ—ｔｙ，２００５：３９１—３９８．
【８１ＫＷＡＴＲＡＶ。

ＳＣＨＯＤＬＡ，ＥＳＳＡＩ，ｅｔ耐．ＧｒａｐｈＣｕｔｔｅｘｔｕｒｅｓ：ＩｍａｇｅａｎｄｖｉｄｅｏｓｙｎｔｈｅｓｉｓｕｓｉｎｇｇｒａｐｈｃｕｔｓＩＥＢ／ＯＬ】．【２００８一ｌ１－２０Ｊ．ｈｔ·ｔｐ：／／ｗｗｗ．ｃｃ．ｇａｔｅｃｈ．ｅｄｕ／～ｔｕｒｋ／ｎ可＿ｐａｐｅｒｓ／ｇｒａｐｈ＿ｃｕｔｓ．ｐａｆ．
【９】ＢＯＹＫＯＶＹ，ＫＯＬＭＯＧＯＲＯＶＶ．Ａｎｅｘｐｅｒｉｍｅｎｔａｌｃｏｍｐａｒｉｓｏｎｏｆｍｉｎ—ｃｕｔ／ｍａｘ—ｆｌｏｗａｌｇｏｒｉｔｈｍｓｆｏｒｅｎｅｒｇｙｍｉｎｉｍｉｚａｔｉｏｎｉｎｖｉｓｉｏｎ［Ｊ】．
ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｍｒｎ
Ａｎａｌｙｓｉｓ
ａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００４，２６（９）：１１２４—１１３７．
【ｌＯ】边肇祺，张学工．模式识别［Ｍ】．２版．北京：清华大学出版社，２０００．
【１１】ＧＯＬＤＢＥＲＧＡ．Ｒｅｃｅｎｔｄｅｖｅｌｏｐｍｅｎｔｓｉｎｍａｘｉｍｕｍｆｌｏｗａｌｇｏｒｉｔｈｍｓ【Ｊ】．ＪｏｕｒｎａｌｏｆｔｈｅＯｐｅｒａｔｉｏｎｓＲｅｓｅａｒｃｈＳｏｃｉｅｔｙｏｆＪａｐａｎ，２０００，４３
（Ｉ）：２—３１．
【１２１ＢＯＹＫＯＶＹ，ＶＥＫＳＬＥＲＯ。

ＺＡＢＩＨＲ．Ｆａｓｔａｐｐｒｏｘｉｍａｔｅｅｎｅｒｇｙｍｉｎｉｍｉｚａｔｉｏｎｖｉａｇｒａｐｈｃｕｔｓ【Ｊ】．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡ·
ｎａｌｙｓｉｓ
ａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００１，２３（１
１）：１２２２—１２３９．万方数据。