Note:Anti-noise FCM image segmentation method based on quadratic polynomial

一、key-word

FCM、quadratic polynomial

1.1 FCM

        模糊C均值(Fuzzy C-means)算法简称FCM

        “模糊”->像素在划分过程中不再属于某一类别，而是采用一个指数来衡量它们属于哪个类别的程度。

        objective function

C,图像分割类别的数目;N,图像数据点的数目 
μki,第k聚类模糊中的i数据点的隶属度
M,应用于模糊隶属度的加权指数,一般=2 
vk,第k聚类中心;xi,第i像素

        最小化约束

可以理解为这些像素应该属于特定的聚类，并且只能属于这些类别

        拉格朗日乘数法求目标函数极值

        可以求出 与，求解完成后，发现他们是相互包含的，所以：

        （1）一开始随机初始化隶属度

        （2）进一步更新聚类中心

        （3）计算目标函数E

        （4）根据聚类中心计算隶属度，于是返回（2）继续循环

二、创新

在含5%噪声的医学图像的最终分割结果中，分割精度可达96%以上，划分系数Vpc提高了0.14。因此，该算法能以较少的模糊度得到隶属度矩阵，这意味着更可靠的分割结果，并能有效地消除噪声影响，保留图像细节。

【常数为分割中心的弊端】
在FCM中，通常使用少量的灰度值作为聚类中心以及它的改进算法。但一般来说，图像中像素的灰度远大于聚类中心的数量。用一个简单的点作为聚类中心，仅用像素灰度值来测量图像中的一个像素，会导致同一类像素之间的差异很大，分割结果会有偏差。当分割的数据点取自不同的曲面时，这种偏差会变得更加明显，以常数为分割中心往往无法得到理想的结果。因此，所提出的方法使用一个聚类曲面而不是之前的聚类中心，引入一个二次多项式，并对图像进行拟合，最终使更多像素落在曲面上。

在改进的算法中，使用二次多项式替换以前的点聚类中心，建立新的划分标准，用数据点和划分中心之间的代数距离划分数据点集，减少同一类中的像素差异，并纠正图像像素的分类。实验表明，改进算法对弱边缘区域的像素分类特别有效。用二次多项式曲面代替聚类中心点可以同时考虑图像的位置信息和灰度值信息，使更多的数据点落在曲面上，从而获得更好的分割结果。

本文提出的改进算法适用于小样本的图像处理。与神经网络算法相比，本文算法不需要样本学习，运行速度快，时间效率比神经网络算法高，并能保证一定的精度。改进后的算法可以获得更准确的分割结果。

三、实验结果分析

主观视觉分析

客观量化分析

SA表示准确率，是一个分割准确性指数，这个指数能够定量地评价分割结果，本文中SA被定义为如公式4-1所示的计算式，它表示正确分类的像素与图像中全部像素数目的比值。

 

其中，Ci和Ai表示标准图像和程序计算得到的属于第i类的像素数目。标准图像指的就是groundtruth。SA 的意义就是被正确分类的像素数目占总像素数目的比值,能够比较直观地体现分割结果的准确性。

其他两个指标分别为Vpc划分系数与Vpe划分熵

 

在FCM的分割结果中，会得到最终的隶属度矩阵的值，并以此为标准按照隶属度最大原则将像素划分到应属于的类,也就是将像素分配到其所属隶属度最大的、最有可能属于的类中。隶属度矩阵的模糊性越小，即每个像素的最大隶属度越接近于1,说明像素属于这一类的概率越大，分割效果也就越好，像素更有可能被正确归类。反映到Vpc. Vpe的计算中时，也就是Vpc越大，分割效果越好，同时Vpe越小，分割效果越好。
当Vpc取的结果越大、Vpe取的结果越小时，聚类后图像的分割结果越好。