马尔可夫随机场约束下的PCM图像分割算法  

Image segmentation on Possibilistic C-Means clustering algorithm based on Markov spatial constraint

作　　者：周彤彤[1] 杨恢先[1] 李淼[1] 谭正华[2] 张建波[2] 

机构地区：[1]湘潭大学材料与光电物理学院,湖南湘潭411105 [2]湘潭大学信息工程学院,湖南湘潭411105

出　　处：《计算机工程与应用》2013年第24期157-160,共4页Computer Engineering and Applications

基　　金：湖南省教育厅科研项目(No.10C1263);湘潭大学科研项目(No.11QDZ11)

摘　　要：与模糊C均值(FCM)算法相比较,可能性C均值(PCM)聚类算法具有更好的抗干扰能力。但PCM聚类算法对初始化条件很敏感,在聚类的过程中很容易导致聚类结果一致性,并且没有考虑到像素的空间信息,用在图像分割尤其是多目标图像分割上效果极不稳定。在PCM算法的基础上,利用Markov随机场中的邻域关系属性,引入先验空间约束信息,建立包含灰度信息与空间信息的新聚类目标函数,提出马尔可夫随机场与PCM聚类算法相融合的图像分割新算法(MPCM算法)。实验结果表明,在多目标图像分割上利用MPCM算法可以取得比PCM更好的分割效果。Compared with Fuzzy C-Means （FCM） clustering, Possibilistic C-Means （PCM） has a better anti jamming capability. But the Possibilistic C-Means clustering is very sensitive to initial conditions and is very easy to cause the clustering result of consistency. And it doesn＇ t take into account the pixel spatial information. It is extremely unstable when it is used in image segmen- tation especially in multi-object image segmentation. Based on the PCM clustering, the prior spatial constraint is incorporated according to Markov random field theory, to build a new clustering objective function including the establishment of gray information and spatial information. This paper presents a new image segmentation algorithm（MPCM） combining Markov and PCM clustering. With experiments, using MPCM algorithm can achieve a better segmentation result than PCM in multi-object image segmentation.

关 键 词：图像分割 可能性C均值 MARKOV随机场 聚类 

分 类 号：TN911.73[电子电信—通信与信息系统]