周晓美(图像分割)Microsoft PowerPoint 演示文稿

图像处理论文姓名：周晓美学号：P201102104基于尺度加权的模糊聚类和隶属连接度方法的多光谱图像分割摘要：模糊聚类是我们众所周知的一种图像分割的方法，但是由于这种方法在本质上没有考虑到图像像素的空间关系，所以它往往导致区域的不均匀分割。而最近提出的MC图像分割方法考虑到了局部和全局的空间关系。它包括了模糊聚类阶段，提高了分割的准确性。由于多光谱图像中的固有空间问题和内在噪声可能降低了这种方法的准确性和有效性，本文提出的算法则主要解决这两个问题，它是基于MC方法，分水岭变换方法，和本文提出的加权模糊聚类方法的一种综合方法。在文章的最后通过实验结果证明了本文中提出的算法在分割方面的实力。算法的流程框图：一、对多光谱图像进行降维降维这一步骤主要采用主成份分析法，该方法采用多变量线性变换的方法对多光谱数据进行特征提取，差生一个按信噪比大小进行排列的低维子空间，用几个主成份就可以代表原始数据中的大多数信息，其中第一主分量包含了绝大部分的信息。二、求相应的梯度图像并做分水岭变换1、求梯度图：本文中主要是运用sobel算子得到对应的梯度图像。2、分水岭变换主要思想：分水岭变换主要包含排序和浸水两个过程，其中排序过程是按像素的灰度进行排序，以便直接访问同一高度的像素，在浸水过程中，假设高度小于等于h的像素的贮水盆地已经标记出来，则在处理高度为h+1的像素时，将这一层中已经标记的贮水盆地相邻的像素送入队列，再由这些像素开始，根据测地距离，将已经标记的贮水盆地扩展至h+1层，将h+1层中可能存在的区域最小值赋予新的标号，最后，在分水岭变换的结果中，同一标号的像素属于同一贮水盆地，也就是一类。三、SW—FCM传统的FCM算法是一种迭代算法，1、从初布分类的每个类中初始化一个中心点（随机的）2、通过以下的公式计算每个像素属于某个类的隶属度和每个类的更新中心。3、通过判断目标函数是否小于选定的阈值，如果小于则停止计算，否则返回第二步重新更新每个类的中心和每个像素的隶属度直到目标函数小于阈值，或者迭代次数大于设定值停止。其最小化目标函数：在本文中作者提出了一种加权FCM聚类的方法，主要就是对其目标函数进行改进，改进后的目标函数是：SW-FCM的优点：在一些没有被标记的小区域的像素点处，通过本文提出的SW-FCM算法可以使这些像素点的隶属度获得一个较大的加权值，这样在从隶属度方面考虑分类问题时这些小区域的像素点就不会被忽略。即该方法适合检测一些小区域的目标物。四、MC算法由于SW-FCM方法没有考虑到空间冗余的问题，本文就SW-FCM方法得到的结果进一步做MC方法处理：1、得到初始聚类个数（由SW-FCM算法的结果得出）2、运用局部种子点选择方法找到每个聚类的种子点。3、计算目标点与各种子点之间的连接度，找出该目标点与哪个聚类的种子点所对应的连接度最大。4、用分类器将图像的每个像素分配给对应的类。对于种子点的选取，本文首先将图像转化为隶属度图像，也就是用每个点属于某个类的隶属度作为该像素的某种强度（和图像的灰度强度类似），然后选择一个全局阈值，利用下面的公式选择种子点：文中称这种方法为全局种子点选择法。但是如果用这种方法选择种子点时，某些集群的重叠部分就可能没有种子点，这样可能导致分割的结果不够准确。所以，作者提出了一种新的种子点选择方法，即局部种子点选择：首先，定义分水岭区域就是一个局部区域，计算这个区域所有像素点的隶属向量的均值；然后，找出均值向量的最大元素作为该区域的归一化因子，该最大元素对应着一个类。最后，再运用全局阈值的方法对每个局部区域进行种子点选取。种子点选好后，计算目标点与各种子点之间的连接度，找出该目标点与哪个聚类的种子点所对应的连接度最大，则该点就属于某类。实验结果：总结：本文提出了一种无监督多光谱图像分割方法，综合了分水岭变换，尺度加权模糊聚类算法和MC算法。这种算法不需要人们预先知道分为多少类，它完全是一种自动分割算法。THANKS!