基于核函数距离测度的加权模糊C均值聚类与Markov空域约束的快速鲁棒图像分割  

Fast Robust Image Segmentation Based on Weighed Fuzzy C-Means Clustering with Kernel-Induced Distance Measurement and Markov Spacial Constraint

作　　者：刘思远[1] 李晓峰[1] 李在铭[1] 

机构地区：[1]电子科技大学通信与信息工程学院,成都610054

出　　处：《计算机科学》2006年第4期225-227,243,共4页Computer Science

基　　金：国家自然科学基金(10376005);863国家高技术项目(2004AA823120)资助

摘　　要：由于模糊 C 均值聚类算法(FCM)存在两大缺陷:(1)对于非球形的数据聚类形式鲁棒性不够;(2)只考虑图像中的数值特征信息,而忽略了像素间的空间约束关系,因此 FCM 算法在对含有噪声的图像进行分割时缺乏足够的鲁棒性。针对以上问题,本文提出了一种结合 Markov 空域约束与基于核函数距离测度的加权模糊 C 均值聚类的快速鲁棒图像分割方法。为克服缺点(1),我们使用基于核函数的距离测度取代 FCM 中的欧氏距离,并使用加权模糊聚类的方式保证了计算的简洁性。与此同时,我们用 Markov 随机场描述图像的空域约束信息,并且通过数据融合的方法将模糊分割结果与空域约束信息结合在一起,从而得到既包含像素数值特征又包括空域约束信息的图像分割场。这样既克服了传统模糊 C 均值聚类算法的缺点,又最大限度地保证了分割算法计算的简单有效性。In image segmentation, Fuzzy C-Means Clustering （FCM）lacks enough robustness to noise owing to- （1）the non-robustness of Euclidean distance for non-spherical structure of input data; （2）disregard of spacial constraint information. To overcome the problems of FCM, a fast robustness image segmentation algorithm based on the Markov spacial constraint and weighted FCM with kernel-induced distance is proposed in this paper. To overcome the first problem of FCM and keep the computation simplicity, we replace Euclidean norm with kernel-induced distance and get the fuzzy partition result with weighted fuzzy clustering. Then, the Markov random field is used to represent the space constraint information of an image. Based on the data fusion of Markov constraint information and the fuzzy segmentation result, the new algorithm overcomes the problems of FCM and keeps the computation simplicity.

关 键 词：核函数 MARKOV随机场 模糊C均值聚类 数据融合 鲁棒性 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] TN911.73[自动化与计算机技术—控制科学与工程]