基于分水岭算法，模糊C均值聚类算法和Simulink设计的图像分割性能分析
Nilesh B. Bahadure电子学院，KIIT大学，布巴内斯瓦尔，奥迪萨，印度
电子邮件ID： nbahadure@gmail.com
摘要 - 图像分析中的图像处理和软计算技术的整合在图像处理领域发挥了重要作用。 图像分析技术的一个重要类别是图像分割。 本文研究了模糊C均值聚类方法，基于分水岭的图像分割方法，并对其进行了研究。采用基于Simulink设计的图像分割方法，并采用一些增强设计算法来提高图像分割的整体性能。 本文的主要目的是通过考虑其性能分析指标，将流域效用，基于Simulink和FCM的分割方法应用于医学成像以及其他可获得大量空间和固有信息的图像。 这种性能分析被用来证明和决定哪种方法是适当的，并且更有说服力的用于更复杂成像系统的有效分析。
关键词 - C-聚类方法; 直方图均衡化; K-means聚类; 神经模糊系统; 分水岭分割
1介绍
一个ANFIS模型实际上是一个神经模糊系统（NFS），它是神经网络和模糊系统的组合方法。 神经模糊系统与推理机系统有关，它有助于对应用模式和分析进行适当的区分。 整个建模系统，即基于ANFIS或NFS的系统本质上都是完全自适应的，可以跟踪输入模式中的细微变化。 在本文中，我们将努力涵盖关于对基于GIS的图像，卫星图像，遥感图像，医学/生物医学图像等重要信息提取进行适当修改和改进的系统的理论和实际重要性。特殊照射用于从医学图像中提取信息。 采用直方图增强和形态学侵蚀的减法聚类算法来改善ANFIS系统的性能特征。 ANFIS系统有一个缺点，即随着模糊变量的数量增加，控制规则的数量增加得太快。 聚类是无监督的学习技巧，并将相似类型的对象集合为一个组。 有多种类型的聚类技术，其中K - 均值聚类（K - Means Clustering，KMC）是最常用和最普遍使用的，其中K是由用户定义的聚类中心的数量。
图像分割的重要目标是将图像分成不同的区域[1]。 不同的技术可用于图像分割。 本文中使用的技术是基于使用分水岭变换的图像分割。 分水岭变换是一种简化的变换技术，它主要用于灰度图像处理[2]，以解决各种图像分割问题，尤其是分割问题。 此外，分水岭分割使用两种变换过程即距离变换和梯度。 基于梯度的分析主要是为了确保灰阶图像在被分水岭变换用于图像分割之前进行适当的预处理。梯度定向的图像具有沿着物体边缘的高像素值以及在其他地方的低像素值，所以看起来像是当物体边缘被检测到时，它会给出高像素值，否则低像素值，这样在实际分割变换之前对灰度图像进行预处理。 与基于分水岭分割的变换相关的主要问题是，图像中会出现过多的分水岭线，并且由于这种分割过度会发生[3]。 为了处理和克服这些困难，需要通过合并以在分割过程中带来新的一组知识库来控制允许区域的数量。 用于克服过度分割问题的替代算法称为基于标记的分割。 此外，借助基于标记的方案，还可以结合顶部底部分析来减少分水岭脊线和分割问题。
2文献调查
在Long等人的初始工作之后 Feng Zhao等人做了几次尝试。为开发更好的算法和使用各种方法进行图像分可用的软计算技术。他们都使用了使用模糊逻辑的C - 均值聚类的图像分割，但Feng Zhao等人[1]也包括用K均值聚类的双C均值聚类。 Wang等[5]提出了基于高维模糊特征的约束模糊kohonen聚类网络的图像分割技术。
Wang等[5]开发的算法在第一步中对图像分割有两个步骤像素的模糊化完成，第二步是FCM算法用于生成软分区，更有效地为给定数据集提供受限软分区。 为了执行软分区，硬C均值聚类的目标函数J1已经通过两种方式进行了阐述[10]，其中一个聚类中的模糊隶属度被纳入到方程（1）中，然后在在另一个步骤中，引入附加元素m作为模糊成员资格中使用的权重指数的指示。
（1）
构造冗余图像的三维特征向量及其原始图像，然后通过RFKCN对特征向量进行聚类。Wang等和SN Sulaiman等[6]提出了基于自适应模糊K均值聚类的图像分割方法。 SN Sulaiman等人[6]以大量图像为例，证明了基于自适应模糊K均值聚类的算法具有无与伦比的图像质量，并给出了对图像分割的定量评估选定的图像。 Saikumar Tara等人[7]提出了基于FCM聚类算法的基于颜色的图像分割。在本文中，整个分割过程涉及两个过程，一个是使用解相关拉伸进行颜色增强分离，然后在第二个过程中使用模糊C均值聚类算法将区域分组为一组五个类别。 两级处理背后的主要目标是，该算法最适合，旨在通过系统地避免图像中每个像素的特征计算来降低计算成本。龚毛国等提出通过引入权衡加权模糊因子和核函数度量，提出了一种改进的模糊C均值聚类算法用于图像分割。它也将增加整体其中V表示簇的向量，并且P表示由簇C1,C2... ..... Ck形成的数据集x的划分的函数。
表示为Jm的延长的目标函数是：
（2）
等式（2）中使用的元素m是一个权重指数，用于确定群集的部分成员影响聚类结果的程度[11]。 还描述了像聚类技术的硬C - 手段一样，FCM技术也试图通过寻找使延长的目标函数Jm最小化的原型vi来找到更好的分割，但作为情况，硬C - 聚类的手段，FCM技术需要搜索最小化Jm的扩展成员资格i。
如果满足以下条件，则只有簇C1,C2... Ck的约束模糊划分可以是长时目标函数Jm的局部最小值，否则不是细分的表现。 此外，与广泛使用折衷加权模糊因子和核心度量，分割的性能也得到了扩展
（3）
通过消除不希望的噪音和其他异常值参数来增强图像。
3.模糊C - 聚类算法
由于照明和适当的阈值处理，其颜色组成不常见的对象的图像分割表现出困难的任务。 目前的工作，提出了模糊C均值聚类算法[9]的基础
分割这些物体或图像的技术。 使用模糊C聚类方法的启发是，聚类算法被广泛用于数据的组织和分类，并且在数据压缩和模型构建的分析方面也有很好的测试。 聚类技术用于将数据集划分为若干组或小部门，这样一个组内的分区数据的相似性大于组间[10]。
模糊C均值（FCM）算法推广了硬C
基于方程（3）和（4），模糊C均值聚类更新原型和隶属函数迭代，直到达到收敛标准[11]。 为了将图像分割成不同的聚类和部分，扩展了聚类的模糊C均值可以概括为以下步骤。
A. FCM算法
第1步：选择初始类原型{v}c
意味着或K - 均值聚类算法，以允许一个
第2步：i i=1指向部分属于多个集群合理化所有隶属函数uci（x）
步骤3：以加权平均[7,12,13]约束值的形式获得聚类原型
步骤4：重复步骤2和步骤3，直到达到终止和收敛标准。
其中v表示聚类中心的矢量，İ是一个可以由用户设置的小数字[14]。
基于流域的图像分割基于分水岭的图像分割[15]，这是有时也称为分水岭技术，是一种强大的数学形态学机制，用于图像分割。 由于其有效性和操作简单性，分水岭分割技术通常在诸如卫星成像系统，生物医学和医学成像处理系统以及其他计算机视觉处理系统[16]等广泛领域中是优选的。流域表示用于划分不同河流系统排水区域的脊线，因此这种技术的名称是基于分水岭的分割。 分水岭线确定分离图像区域的边界。 流域分割变换计算流域盆地和山脊线，也称为分水岭线，其中流域盆地对应于图像区域和与区域边界相对应的分水岭线。
在基于分水岭的分割技术中，当应用分水岭算法时，它将产生广泛的分水岭线，以降低应用标记技术的刚性效应，这种操作被称为分水岭分割的后处理操作。 基于分水岭的分割体现了三种技术的各种概念，即基于阈值，基于边缘和基于区域的分割。 用于图像分割的分水岭方法的确定性概念是找到分水岭线，然后进行转换以将图像分割成不同的区域。
建议的方法
在图1中示出了所提出的用于改善图像分割性能的方法中涉及的步骤。在该提出的方法中，首先通过直方图均衡化来处理给定图像，通过使图像通过直方图均衡化将通过增强其颜色组合和消除噪音来改善图像的可视化。 接下来，图像通过形态侵蚀。 该步骤用于从图像中提取信息。 特别是当医学成像使用图像分割算法来从MRI图像中检测脑肿瘤等时，提取正确的边界是非常重要的，因此使用形态学侵蚀来从图像中检测和提取该信息。 形态学图像处理由两个重要类组成，即扩张和侵蚀;
这两个类都用于分析和处理图像中的特定区域。 为了从图像中检测选择或提取的部分的形状和大小，执行形态学图像处理操作。形态学图像处理作为与图像中的特征的形状或形态相关的非线性操作的集合来工作。 如果对二进制图像执行形态学操作，那么它将创建一个新的二值图像，其中像素具有非零值，因此在完美的领域中，形态学操作用于将图像从一个维度转换为其他维度或从一个班级到另一个班级。 最后，在应用FCM算法之前，将遗传算法[17]应用于图像，使用遗传算法对图像进行特征提取，这对于正确观察值并从图像中选择有效变换非常有必要。
图1.在所提出的方法中使用的步骤
实施为了分析和设计分割系统，需要使用要被分割的对象的图像，然后为分割选择的图像的每个像素被编码为分别用红色，绿色和蓝色表示的三个分量。
基于模糊的系统和图像处理系统的分割使用Matlab实现，并且还将采用基于模糊的两种方法和基于图像处理的系统的结果的性能进行比较。对于基Simulink的设计，使用直方图均衡技术。 使用直方图均衡化的图像分割的Simulink设计如图2所示.MSE计算器是来自用户定义函数的Matlab功能块。结果利用分水岭分割和模糊C均值算法对不同的图像分割技术进行了验证。 使用带有直方图均衡方法的Simulink设计也可获得结果。 在Windows 8 Professional操作系统上使用MATLAB 2014（a），在装有2.4 GHz处理器和6 GB DDR RAM的英特尔（R）Core i3 CPU的PC上对所有结果进行测试。图3显示了图像分割设计的图形用户界面，图4显示了基于Simulink设计的结果，而使用分水岭C比较不同训练图像的执行速度 - 聚类方法和图像分割的Simulink设计如图5所示。
图2.用于图像分割的GUI
图3. Simulink的输出
图4.图像分割的执行速度
为了进一步分析，测试了MSE，PSNR和SSIM等质量因素。 表I显示了用于图像分割训练的八个不同图像的执行时间。 表II和表III显示了基于分水岭的图像分割的诸如相似性指数（SSIM），均方误差（MSE），峰值信噪比（PSNR），均值，方差，标准偏差，中值和相关因子等改进的性能参数。 表IV和表V示出了用于基于FCM的图像分割的诸如相似性指数（SSIM），均方误差（MSE），峰值信噪比（PSNR），平均值，方差，标准偏差，中值和相关因子等改进的性能参数。 表VI显示了基于simulink的分割的性能参数。
|
图像名称 |
图像的大小 |
分水岭 基于分割 |
基于FCM的分割 |
Simulink的 基于分割 |
|
人 |
312 x 418 |
0.70 |
1.78 |
0.8 |
|
女孩 |
4896 x 3672 |
0.69 |
1.65 |
1.0 |
|
寺庙 |
2592 x 1456 |
0.73 |
1.53 |
1.0 |
|
丛林 |
4896 x 3672 |
0.79 |
1.43 |
0.8 |
|
瀑布 |
3672 x 4896 |
0.73 |
1.48 |
0.8 |
|
叶 |
1536 x 2560 |
0.80 |
2.30 |
0.8 |
表二。 用三种技术分割时间（以秒为单位）
|
图像名称 |
图片大小 |
全文共7111字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14484]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
