基于模糊C均值聚类的彩色图像分割方法研究

颜色作为人类感知事物的一个重要途径是模式识别和计算机视觉的重要依据。随着采集和处理彩色图像的硬件成本降低,以及计算机处理能力的提高,使得处理高维彩色空间成为可能,因此彩色图像分割备受关注。很多彩色图像分割方法是将灰度图像处理方法分别应用到彩色图像的三个颜色分量,这类方法不仅会丢失信息量而且结果不易评价。而聚类算法具有处理高维数据的能力,可以把彩色图像像素包含的信息映射到高维特征空间,在高维特征空间聚类使分割结果更加合理。模糊理论对于图像的不确定性和不精确性有很好的描述能力,因此本文主要研究如何用模糊C均值算法分割彩色图像,以及如何合理利用空间信息降低分割结果对噪声的敏感度。 本文首先构造理想数据集分析K-means算法和模糊C均值算法的均一化效应,指出这两个算法具有绝对的样本距离均一化效应和相对的样本数量均一化效应,并分析聚类之间的分离程度与聚类结果好坏的关系;然后用Iris数据集和Glass数据集检验K-means算法、模糊C均值算法和Mean shift算法处理真实的高维数据能力,结果表明模糊C均值算法在处理真实的高维数据时综合性能要优于K-means算法和Mean shift算法;最后提出结合空间信息和彩色信息的模糊C均值彩色图像分割方法,并将结果与Mean shift彩色图像分割方法相比较,结果表明本文算法对噪声的敏感度低,算法运行时间短,分割结果更理想。