论文研究 | 快速自动模糊 C-均值聚类彩色图像分割算法

前面分享了机器视觉缺陷检测应用方面的论文，今天想分享关于图像分割领域的研究。图像分割是计算机视觉和图像理解中最重要的研究课题之一，该论文提出了一种快速自动的 FCM 彩色图像分割算法，所提算法的计算复杂度较低、运行时间较少、分割精度较高。

1 引 言

略。

 2 所提算法

传统 FCM 算法计算复杂度高且无法自动确定聚类数目，本实验组提出了一种快速自动的 FCM 彩色图像分割算法。首先通过改进的 SLIC 超像素算法预分割图像，将基于单个像素的 FCM 算法转化为基于超像素区域的 FCM 算法，降低算法的计算复杂度；其次利用密度峰值算法自动确定聚类数目，提高算法的灵活性；最后利用直方图聚类完成彩色图像分割。所提算法整体框如图 1 所示。

 2. 1 改进的超像素算法

传统 SLIC 超像素算法［14］是通过多个种子点实现的，而有些种子点可能来自同一区域，因此同一区域可能被分割成多个超像素区域，产生过分割现象。本研究提出了一种新的区域合并策略，在超像素分割之后引入该策略，消除过分割现象。首先利用原始 SLIC超像素算法预分割图像，产生超像素区域。其次，计算每个超像素区域及其相邻区域的像素平均值和方差。然后，将低于最小像素数的区域与其相邻区域合并（这里将最小像素个数设置为 10，低于该最小像素个数的区域认为是面积很小的超像素区域，该区域对后续分割结果的影响很小，因此将其与相邻像素合并），并更新合并后的区域的像素平均值和方差。两个区域的合并概率 P A，B 的表达式为

式中：SA，B 为区域 A 和区域 B 的相似性度量；Λ A，B 为区域合并惩罚函数；μ A 和 μB 为区域 A 和 B 的像素平均值；σ A 和 σ B 为区域 A 和 B 的方差；Df 为图像 f 的动态范围（如 8 bit 图像的动态范围为 256）；Q 为正则项；| ⋅ |为所包含的元素数量；inv 为矩阵求逆运算；*为矩阵之间的乘法运算。由式（1）可知，P A，B 最小的相邻区域对应于高度相似的区域，应首先合并这些区域。最后，反复迭代上述过程，直到 P A，B ≤ η（η 为合并阈值）完成超像素分割过程。合并阈值 η 是人为设定的，大量实验结果表明，η = 3.5 时可得到较好的分割结果。图 2 为采用 5 种超像素算法