【摘 ?要】模糊聚類是一種常用的基于軟劃分的聚類算法,并且在圖像分割上有廣泛的應(yīng)用。本文主要利用軟化分的聚類算法對水稻圖像進行分割,首先圖像進行灰度化預(yù)處理,再利用傳統(tǒng)的K均值聚類算法以及模糊C均值聚類算法對圖像像素的灰度值進行快速分類,同時用改進的EnFCM算法進行對比。實驗結(jié)果表明相較于傳統(tǒng)的聚類算法,改進的EnFCM算法對圖像分割效果要優(yōu)于一般聚類算法,而且適用于一般聚類算法難以準(zhǔn)確分割的模糊邊界。
【關(guān)鍵詞】圖像分割;灰度化;K均值聚類;模糊C均值聚類;EnFCM算法
Abstract:Fuzzy clustering is a common clustering algorithm based on soft partition,and it is widely used in image segmentation.In this passage,the rice image is segmented by using the softening clustering algorithm. Firstly,the image is preprocessed by gray-scale,and then the gray value of image pixels is quickly classified by using the traditional K-means clustering algorithm and fuzzy C-means clustering algorithm,and compared with the improved EnFCM algorithm.The experimental results show that compared with the traditional clustering algorithm,the improved EnFCM algorithm is superior to the general clustering algorithm in image segmentation,and is suitable for fuzzy boundaries which are difficult to be accurately segmented by the general clustering algorithm.
Key words:image segmentation;gray scale;K-means clustering;fuzzy C-means clustering;EnFCM algorithm
引言
近年來,人工智能的發(fā)展促進了圖像識別技術(shù)在農(nóng)業(yè)圖像分割的應(yīng)用。目前,有多種方法用于圖像分割,如閾值分割法、區(qū)域法、分水嶺算法、模糊聚類算法等,其目的是將圖像中具有相似特性的像素劃分為同一類,從而有利于后續(xù)模式識別等操作[1]。
由于農(nóng)業(yè)圖像的特殊性以及對象本身的模糊性和不確定性,不同類的邊界很難有清晰的劃分。例如,在水稻圖像分割中,不同對象的灰度級范圍可能會相互重疊?;谀:碚摰木垲惙椒檗r(nóng)業(yè)圖像中的不確定性提供了很好的解決方案。通過隸屬度函數(shù)來表示圖像中的不確定性。其中模糊C均值方法是一種經(jīng)典的聚類算法,具有思路簡單、收斂速度快等優(yōu)勢[2]。但是,傳統(tǒng)模糊C均值算法容易受到噪聲影響,從而導(dǎo)致過度分割等問題?;诖?,一些改進的方法被提出[2]-[3],其中,加強模糊聚類(EnFCM)在分割性能和計算速度上更具有優(yōu)勢。
本文主要研究K均值聚類、模糊C均值聚類以及EnFCM聚類劃分的算法對水稻圖像分割質(zhì)量的影響。
1 圖像預(yù)處理
針對RGB顏色空間不直觀,且周圍環(huán)境因素如光的明暗、噪聲點等很容易對總體圖像的分割產(chǎn)生的影響,本文采取傳統(tǒng)的NTSC法[4],對像素點的RGB三原色進行加權(quán)平均,對圖像進行灰度化預(yù)處理[5]:
式中Gray為像素灰度值,r,g,b的取值分別為0.299,0.587,0.114
同時,圖像灰度化可以避免可見的條帶失真。本文利用MATLAB讀入彩色圖像,利用rgb2gray函數(shù)得到每個像素點的灰度值。
當(dāng)圖像灰度化之后,就可以較為容易地利用聚類算法進行分割,即對每一個像素點的灰度值進行聚類,求出各個像素灰度值的中心值,灰度值大于圖像的中心值的像素點轉(zhuǎn)化為黑色,而灰度值小于中心值的像素點轉(zhuǎn)換為白色,以此獲得不同的圖像分割。
因此,本文并不是直接對彩色水稻圖像進行圖像分割,而是先對水稻圖像進行RGB三原色進行加權(quán)平均得到灰度化圖像,在灰度化圖像的基礎(chǔ)上利用聚類算法進行圖像分割,從而將水稻的灰度圖像進一步轉(zhuǎn)化為黑白圖像[6]。
2. 模糊C均值聚類算法的方法理論
2.1算法理論
聚類分析算法的基本思想就是通過對不同類別數(shù)據(jù)間的相似度達到相對最小化,而相同類別數(shù)據(jù)間相似度達到相對最大化的一種數(shù)據(jù)分割式計算分析方法[7],在圖像上表示即簇內(nèi)距離盡量小,簇間距離盡量大。一般情況下最常用的兩種聚類算法即K均值算法和模糊C均值算法。對于模糊C均值算法,假定有N個數(shù)據(jù)的樣本集 ,把N個樣本集劃分成c類,假設(shè)第i類的聚類中心為 ,第j個樣本 對第i個類的隸屬度為 ,對于模糊C均值的目標(biāo)函數(shù)定義如下:
模糊C聚類算法的思想就是通過式(4)和(5)不斷地修正聚類中心和隸屬度,以實現(xiàn)目標(biāo)函數(shù)最小化,當(dāng)目標(biāo)函數(shù)值不再改變時,迭代停止。
K均值聚類可認(rèn)為是模糊C均值聚類的一個特殊情況,當(dāng)式(3)隸屬度 時即為K均值聚類。
本文中是對每個像素的灰度值進行聚類分析,因此樣本點即為各個像素的灰度值。
2.2算法步驟
對于圖像分割的處理,K均值聚類和模糊C均值算法總體的執(zhí)行步驟一致[7]:
1)對圖形進行灰度化預(yù)處理,每個像素的灰度值即為目標(biāo)向量;
2)初始化各個參數(shù),制定聚類數(shù)目c及聚類中心,模糊加權(quán)指數(shù)m;
3)計算每個像素灰度值到聚類中心的歐氏距離,求出隸屬矩陣;
4)求出目標(biāo)函數(shù),并修正新的聚類中心;
5)若目標(biāo)函數(shù)改變,則返回步驟3),否則算法收斂,計算結(jié)束;
6)輸出修正后的聚類中心,此聚類中心為圖像分割的閾值。
3 EnFCM算法的方法理論
3.1算法理論
模糊C均值雖然算法簡單,但也存在明顯的問題:受噪聲影響較大,容易陷入局部最優(yōu)解。
針對模糊C均值聚類算法在全局最優(yōu)性上的缺陷,加強模糊聚類EnFCM算法(Enhanced Fuzzy C-Means Clustering)是一種更快速的圖像分割算法,提高了灰度圖像的聚類過程和分割速度。
加強模糊聚類EnFCM算法的基本思想是通過在該對像的像素點及其8鄰域的所有像素之間進行一個線性微分加權(quán),同時利用有效的平均灰度直方層級運算來模糊原始局部圖像像素,即對一個灰度直方圖像素進行了模糊聚類,以此從而形成了從一個原有的局部圖像擴展到其他與局部的像素相鄰的區(qū)域所有像素的平均模糊圖像。在一般情況下,像素的灰度級值是8位分辨率(256級灰度),而一般情況下,M級灰度值的像素數(shù)量比N級灰度值的像素數(shù)量小很多。因此,相較于模糊C均值聚類算法,加強模糊均值聚類算法EnFCM聚類算法的過程執(zhí)行量和時間成本明顯降低[8]。
式(9)中 是灰度值為 的像素點的個數(shù),式(7)中的參數(shù)a決定分割質(zhì)量,當(dāng)參數(shù)a的選擇足夠大時,該方法抗噪聲能力更強,但另一方面,參數(shù)a的選擇足夠小時,可以使分段的圖像仍然能夠保持清晰度和圖像的細(xì)節(jié)[10]。本文的參數(shù)a默認(rèn)設(shè)定為0.5。
3.2算法步驟
EnFCM算法總體執(zhí)行步驟相似于模糊C均值聚類算法,但需在計算目標(biāo)函數(shù)前對像素樣本進行預(yù)處理:
1)初始化各個參數(shù),制定聚類數(shù)目c及聚類中心,模糊加權(quán)指數(shù)m以及參數(shù)a;
2)對像素的灰度值進行線性加權(quán)和預(yù)處理,得到新的有效灰度級;
3)計算每個像素有效灰度級到聚類中心的歐氏距離,求出隸屬矩陣;
4)求出目標(biāo)函數(shù),并修正新的聚類中心;
5)若目標(biāo)函數(shù)改變,則返回步驟3),否則算法收斂,計算結(jié)束;
6)輸出修正后的聚類中心,此聚類中心為圖像分割的閾值。
4 試驗結(jié)果
為驗證EnFCM算法的全局最優(yōu)性,本文利用MATLAB,選取了三種階段以及包含模糊邊界的水稻圖像分別用K均值算法,模糊C聚類算法以及EnFCM算法對不同的水稻圖像進行圖像分割測試,實驗結(jié)果如下:
圖 1選取的是普通生長狀況下的水稻,圖 2和圖 3選取的是未成熟的和成熟的兩種生長狀況下的水稻,這兩類水稻的總體顏色對比度較低,而圖 4選取的是背景包含模糊邊界的水稻圖像。
圖 1的水稻可以看出基于EnFCM算法分割出的水稻相較于K均值聚類和模糊C均值聚類算法的水稻更準(zhǔn)確,EnFCM算法分出的稻谷部分存在的黑色像素間隙明顯小于一般聚類算法。結(jié)合圖 2和圖 3可以看出,一般的聚類算法可以分割出未成熟和成熟水稻的輪廓,但對于圖 3的低對比度圖像一般聚類算法相對難以分割,而EnFCM算法仍能無間隙地分割圖像。綜合圖 1-圖 3,傳統(tǒng)聚類算法和EnFCM算法均能較為準(zhǔn)確分割出目標(biāo)圖像,而EnFCM的圖像分割效果稍優(yōu)于傳統(tǒng)聚類算法的效果。
而圖4可以看出,傳統(tǒng)聚類算法對高清部分的水稻能較為準(zhǔn)確地進行分割,但在模糊邊界區(qū)傳統(tǒng)算法較難準(zhǔn)確劃分,而EnECM算法對于模糊圖像的分割仍然較為準(zhǔn)確,因此EnFCM算法適用于模糊邊界的圖像分割處理。
5 結(jié)論
本文主要研究聚類算法水稻圖像上的分割,以及不同的聚類算法的分割質(zhì)量。針對彩色農(nóng)業(yè)圖像,先進行灰度化預(yù)處理簡化數(shù)據(jù),再利用像素的灰度信息以此進行k均值聚類算法、模糊C均值聚類算法以及EnFCM算法對圖像進行圖像分割,實驗結(jié)果發(fā)現(xiàn)三種算法均能較好地分割出圖像輪廓,但在分割質(zhì)量方面EnFCM算法相較于K均值算法和模糊C均值算法分割出的圖像更飽滿。而在于模糊邊界方面,K均值算法和模糊C聚類算法對圖像的分割質(zhì)量明顯下降,而EnFCM算法仍能較準(zhǔn)確的進行圖像分割。
參考文獻:
[1]Karmakar Gour C,Dooley Laurence S. A generic fuzzy rule based image segmentation algorithm[J]. Pattern Recognition Letters,2002,23(10):1215-1227.
[2]蔣文娟,李富蕓,徐冬. 基于模糊C均值聚類算法的腦部CT圖像分割[J].電腦知識與技術(shù),2020,16(07):197-200.
[3]Yang Jar Ferr,Hao Shu Sheng,Chung Pau Choo. Color image segmentation using fuzzy C-means and eigenspace projections[J]. Signal Processing,2002,82(3):461-472.
[4]Faroudja Yves,Roizen Joseph. Improving NTSC to Achieve Near-RGB Performance[J]. Smpte Journal,1987,96(8):750-761.
[5]張銘鈞,李煊,王玉甲.基于灰度化權(quán)值調(diào)整的水下彩色圖像分割[J].哈爾濱工程大學(xué)學(xué)報,2015,36(05):707-713.
[6]王佳玉,劉立群,常琴,楊婷婷,李亦寧.基于農(nóng)業(yè)圖像處理的雜草分割[J].電腦知識與技術(shù),2021,17(17):17-20.
[7]上衍猛. 基于模糊C均值算法在文本聚類中的研究與實現(xiàn)[D].東華大學(xué),2013.
[8]羅其俊,曹志芬,牛國臣.基于加強模糊聚類的航空行李圖像超像素分割[J].航空學(xué)報,2020,41(S2):205-212.
[9]左利云,羅成煜,左右祥.基于EnFCM的海量圖像聚類分割算法的并行研究[J].微型機與應(yīng)用,2015,34(15):55-58.
[10]Xiaofeng Zhang,Caiming,Zhang,Wenjing Tang,Zhenwen Wei. Medical image segmentation using improved FCM[J]. Science China-Information Sciences,2012,55(05):1052-1061.
作者簡介:
吳政凌,2001年5月,男,漢族,浙江省麗水市,學(xué)生,本科,信息與計算科學(xué)。