KFCM算法在感興趣區域中的應用范文

本站小編為你精心準備了KFCM算法在感興趣區域中的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《電視技術雜志》2014年第十一期

1改進的kfcm算法

1．1k''''－means算法估計分類數KFCM算法常用于灰度圖像分割［12－13］，一般來說，當分類數正確時，分割效果很好，但對于大部分圖像，在聚類前是不知道其分類數的，如果分類數不準確，就會產生錯誤的聚類結果，圖像分割的效果也會降低。因此，對于圖像分割和感興趣區域提取問題，確定正確的分類數非常重要。k''''－means算法是由KristaRizmanZalik最先提出的，后由房崇倫等人進行了改進。該算法先指定一個分類數(該分類數大于真實的分類數)，然后進行迭代，在迭代過程中錯誤的類被剔除，正確的類被保留下來，最后得到真實的分類數。具體算法步驟如下。判斷是否收斂，若收斂，則結束;否則，轉至步驟2。最后得到正確的分類數和聚類中心。

1．2改進KFCM算法的隸屬度在圖像分割過程中，一般KFCM算法只考慮了圖像的顏色特征信息，而忽略了局部相關性，而且KFCM算法對噪聲比較敏感。針對這一缺點，對KFCM算法進行進:在每一次迭代過程中，用式(4)計算出隸屬度矩陣，然后判斷像素是否為噪聲點，噪聲點一般分兩種情況:1)某個像素鄰域中像素的隸屬度都在某一類中取較大值，而該像素的隸屬度在另一類取較大值，如圖1a所示:中心像素為屬于B類的噪聲點，其2×2的鄰域都屬于A類;2)某個像素在某一類中取較大值，而該像素鄰域的隸屬度在另外不同類中取較大值，如圖1b所示:中心像素為屬于B類的噪聲點，而其2×2的鄰域像素分別屬于A類、C類和D類。

1．3改進的KFCM算法改進后的KFCM算法步驟如下。步驟1:用k''''－means估計聚類數C，設置模糊指數參數m，高斯核函數參數σ，收斂閾值ε，迭代次數t=0。步驟2:令t=t+1，用式(6)計算隸屬度矩陣。步驟3:根據式(11)重新計算隸屬度矩陣。

2實驗結果及分析

將改進后的算法、FCM算法和KFCM算法應用到感興趣區域提取中。表1為用k''''－means算法對實驗圖像估計分類數的結果，其中k表示的是初始分類數，λ為計算差異度量的懲罰因子，k''''為用k''''－means算法估計的分類數。

2．1紋理圖像如圖2所示，先對原始紋理圖像圖2a用k''''－means估計聚類數為2，然后設置參數m=2，σ=100，ε=10－4，最后對圖2b的3幅圖像提取紋理信息，表2為3種算法提取圖2b中加噪圖像的噪聲比。從圖中可以看出，FCM算法和KFCM算法提取的紋理圖像含有大量噪聲，而改進后的算法含有的噪聲較少，能更有效地提取出紋理信息。

2．2girl圖像如圖3所示，圖3a為加入2%椒鹽噪聲的破損圖，通過實驗來提取圖3a的破損區域(感興趣區域)。k''''－means算法得到原圖的聚類數為5，參數設置m=2，σ=40，ε=10－4，改進后的算法提取到的破損區域明顯比FCM算法和KFCM算法提取的噪聲要少。

2．3帆船圖像圖4中k''''－means算法得到的聚類數為4，設置參數m=2，σ=40，ε=10－4，從圖中可以看出，改進后的算法提取的帆船信息完整且噪聲少。

3結論

本文對KFCM算法進行了改進，先用k''''－means算法估計分類數，然后用KFCM算法進行聚類，通過用像素鄰域隸屬度的平均值來代替像素的隸屬度，提高了算法感知空間信息和抗噪的能力，并應用到圖像感興趣區域提取中。實驗表明:改進后的KFCM算法比原來的FCM算法和KFCM算法的效果要好。

作者：辛晚霞楊明單位：中北大學