论文部分内容阅读
随着人工智能的飞速发展,对图像采集与处理的要求不断提高,其中作为图像预处理阶段的图像分割工作显得尤为重要。图像分割就是将图像根据不同的特点划分成不同的区域,目的就是将目标与背景分离,从而为后续的分析做准备。由于受到设备和自然条件的影响,采集到的数字图像会产生不同类型的噪声,噪声问题成为图像分割算法的难点之一。在诸多图像分割算法中,模糊聚类算法是应用最广泛的算法之一,该算法拥有易实现、算法复杂度低等优点。然而由于没有充分考虑像素点空间邻域信息,使得算法易受噪声干扰,抗噪性较差。因此,本文通过提高模糊聚类算法的空间信息利用率,通过邻域信息屏蔽噪声的干扰,从而提高算法的抗噪性。本文的主要工作如下。(1)利用核函数非线性映射像素点,通过核函数,将图像像素点由低维空间映射到高维空间,将原先线性不可分的像素点转化为线性可分的像素点,优化算法分割性能。(2)利用马氏距离替换原有的欧式距离作为高维空间距离量度。马氏距离能有效地描述两个样本点之间的全局性关系,可提升算法空间信息利用率,提高图像分割算法的抗噪性。(3)利用马尔科夫随机场提高模糊聚类算法抗噪性。利用马尔科夫随机场模型的空间相关性和对状态的准确预测等优点,对模糊聚类算法的目标函数进行修正,将马尔科夫随机场的先验概率作为目标函数的修正项,从而提高模糊聚类算法的抗噪性。最后在MATLAB环境下进行了仿真实验,利用NLFCM算法、LDMREFCM算法、FLILP算法、GKWFLICM算法、CRF-FC算法与本文提出的算法进行对比实验,对Berkeley图像分割数据库图像和模拟噪声图像进行分割。实验采用Bezdek划分系数、Xie-Beni系数、迭代次数和运行时间四个指标进行客观分析,结果表明,本文提出算法能充分利用图像像素点的空间邻域信息,提升模糊聚类算法的效率,有效地提高算法抗噪性。