KFCM算法在感兴趣区域中的应用范文

《电视技术杂志》2014年第十一期

1改进的KFCM算法

1．1k''''－means算法估计分类数KFCM算法常用于灰度图像分割［12－13］，一般来说，当分类数正确时，分割效果很好，但对于大部分图像，在聚类前是不知道其分类数的，如果分类数不准确，就会产生错误的聚类结果，图像分割的效果也会降低。因此，对于图像分割和感兴趣区域提取问题，确定正确的分类数非常重要。k''''－means算法是由KristaRizmanZalik最先提出的，后由房崇伦等人进行了改进。该算法先指定一个分类数(该分类数大于真实的分类数)，然后进行迭代，在迭代过程中错误的类被剔除，正确的类被保留下来，最后得到真实的分类数。具体算法步骤如下。判断是否收敛，若收敛，则结束;否则，转至步骤2。最后得到正确的分类数和聚类中心。

1．2改进KFCM算法的隶属度在图像分割过程中，一般KFCM算法只考虑了图像的颜色特征信息，而忽略了局部相关性，而且KFCM算法对噪声比较敏感。针对这一缺点，对KFCM算法进行进:在每一次迭代过程中，用式(4)计算出隶属度矩阵，然后判断像素是否为噪声点，噪声点一般分两种情况:1)某个像素邻域中像素的隶属度都在某一类中取较大值，而该像素的隶属度在另一类取较大值，如图1a所示:中心像素为属于B类的噪声点，其2×2的邻域都属于A类;2)某个像素在某一类中取较大值，而该像素邻域的隶属度在另外不同类中取较大值，如图1b所示:中心像素为属于B类的噪声点，而其2×2的邻域像素分别属于A类、C类和D类。

1．3改进的KFCM算法改进后的KFCM算法步骤如下。步骤1:用k''''－means估计聚类数C，设置模糊指数参数m，高斯核函数参数σ，收敛阈值ε，迭代次数t=0。步骤2:令t=t+1，用式(6)计算隶属度矩阵。步骤3:根据式(11)重新计算隶属度矩阵。

2实验结果及分析

将改进后的算法、FCM算法和KFCM算法应用到感兴趣区域提取中。表1为用k''''－means算法对实验图像估计分类数的结果，其中k表示的是初始分类数，λ为计算差异度量的惩罚因子，k''''为用k''''－means算法估计的分类数。

2．1纹理图像如图2所示，先对原始纹理图像图2a用k''''－means估计聚类数为2，然后设置参数m=2，σ=100，ε=10－4，最后对图2b的3幅图像提取纹理信息，表2为3种算法提取图2b中加噪图像的噪声比。从图中可以看出，FCM算法和KFCM算法提取的纹理图像含有大量噪声，而改进后的算法含有的噪声较少，能更有效地提取出纹理信息。

2．2girl图像如图3所示，图3a为加入2%椒盐噪声的破损图，通过实验来提取图3a的破损区域(感兴趣区域)。k''''－means算法得到原图的聚类数为5，参数设置m=2，σ=40，ε=10－4，改进后的算法提取到的破损区域明显比FCM算法和KFCM算法提取的噪声要少。

2．3帆船图像图4中k''''－means算法得到的聚类数为4，设置参数m=2，σ=40，ε=10－4，从图中可以看出，改进后的算法提取的帆船信息完整且噪声少。

3结论

本文对KFCM算法进行了改进，先用k''''－means算法估计分类数，然后用KFCM算法进行聚类，通过用像素邻域隶属度的平均值来代替像素的隶属度，提高了算法感知空间信息和抗噪的能力，并应用到图像感兴趣区域提取中。实验表明:改进后的KFCM算法比原来的FCM算法和KFCM算法的效果要好。

作者：辛晚霞杨明单位：中北大学