基本信息
- 项目名称：
- 一种改进的基于半模糊聚类的图像分割方法
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 信息技术
- 大类：
- 自然科学类学术论文
- 简介：
- 介绍了原ESFCM图像分割算法，然后针对原算法存在的初始类划分误差大、计算复杂度高、抗噪声能力差三个方面的不足，分别从边缘闭合和重新定义空间距离两个方面入手，提出了基于生长/退化的边缘连接算法；用重新定义的模糊距离替代了原算法中用到的物理距离。最后本论文还从计算复杂度、抗噪声能力两个方面将改进前、后的算法做了定量的对比和分析。
- 详细介绍：
- 图像分割是图像理解、智能控制的基础和前提，图像分割算法性能的优劣直接关系到整个图像工程应用系统的性能。 本论文首先详细介绍了原ESFCM（Edge-based Semi-Fuzzy C-means Clustering Method）图像分割算法，然后针对原算法存在的初始类划分误差大、计算复杂度高、抗噪声能力差三个方面的不足，分别从边缘闭合和重新定义空间距离两个方面入手，提出了改进的ESFCM算法，即针对原ESFCM算法初始子类划分误差大的问题，提出了基于生长/退化的边缘连接算法；针对原ESFCM算法计算复杂度高的问题，用重新定义的模糊距离替代了原算法中用到的物理距离。最后本论文还从计算复杂度、抗噪声能力两个方面将改进前、后的算法做了定量的对比和分析。 实验结果表明，本论文所提出的改进的ESFCM算法与原算法相比较具有如下优点： （1）边缘连接算法的应用显著降低了初始子类划分的误差，使得改进算法的图像分割精度相对于原算法有了较大的提高； （2）用模糊距离代替原算法中的物理距离，使得改进算法相对于原算法在以下几个方面得到了性能改善：明显地减小了分割误差、极大地降低了计算复杂度、显著地提高了抗“椒盐”噪声的能力。
作品专业信息
撰写目的和基本思路
- 改进原有的ESFCM（边缘信息指导下的半模糊聚类图像分割算法）灰度图像分割算法，提高运动车辆分割精度并降低计算复杂度。
科学性、先进性及独特之处
- 改进算法与原算法相比较，使得图像分割不但精度更高，而且大幅度降低了计算复杂度，提高了抗噪声能力，具有很高的应用价值。
应用价值和现实意义
- 图像分割是图像理解、智能控制的基础和前提，图像分割算法性能的优劣直接关系到整个图像工程应用系统的性能。
学术论文摘要
- 本文首先介绍了原有的基于半模糊聚类的灰度图像分割算法，然后针对原算法存在的初始类划分误差大、计算复杂度高、抗噪声能力差三个方面的不足，分别从边缘闭合和重新定义空间距离两个方面入手，提出了一种改进的分割算法，并从计算复杂度、抗噪声能力两个方面将改进前、后的算法做了对比和分析。实验结果表明，本文所提出的改进算法与原算法相比较，使得图像分割不但精度更高，而且大幅度降低了计算复杂度，提高了抗噪声能力，具有很高的应用价值。
获奖情况
- 无
鉴定结果
- 无
参考文献
- [1]张爱华. 基于模糊聚类分析的图像分割技术研究[D].武汉:华中科技大学,2004:50-52 [2]S. Valero, J. Chanussot, J.A. Benediktsson, H. Talbot, B. Waske, Advanced directional mathematical morphology for the detection of the road network in very high resolution remote sensing images[J], Pattern Recognition Letters, 2010,10(31): 1120-1127. [3]冯子亮,王翠芹,施关民.一种基于主动生长的边缘连接算法[J].计算机应用研究.2009,26(10):3954-3956.
同类课题研究水平概述
- 基于聚类分析的图像分割方法是图像分割领域中一类极其重要且应用相当广泛的算法，其中模糊C-均值算法（Fuzzy C-Means，简称FCM）在实际中应用最为广泛。FCM算法最先由Dunn提出，后经Bezdek改进，并给出了基于最小二乘法原理的FCM迭代优化算法，证明了它的收敛性。 在普通FCM算法中，需要计算所有像素点到各个子类的隶属度，计算量非常大。为了降低FCM算法的计算量，张爱华提出了一套在边缘信息指导下的半模糊聚类的图像分割方法ESFCM（Edge-based Semi-Fuzzy C-means Clustering Method），该方法首先提取将一副图像分割成边缘部分以及被这些边缘点划分成的多个子类，在模糊迭代时只计算边缘点到所有子类的隶属度。与原FCM算法相比较，尽管该算法的计算量得到了大幅度降低，但是仍然存在如下问题： （1）初始类划分误差大：由于图像采集环境因素的影响，提取出来的目标区域边缘往往会存在不同程度的丢失现象，这就使得初始子类的划分误差较大，从而降低了图像分割精度； （2）计算复杂度高：在计算边缘点到子类的空间距离时用到的是普通的欧式距离，计算复杂度仍然很高，有待于进一步优化； （3）抗噪声能力较差：对于存在椒盐噪声的图像，分割精度被大幅度降低。 为了解决原有的ESFCM图像分割算法在这三个方面的缺陷，本文从引入边缘连接算法和重新定义空间距离两个方面入手，提出了该ESFCM算法的一种改进方案。仿真实验结果表明，本文所提出的改进算法与原算法相比较，分割精度更高、抗噪声能力更强。
