【技术实现步骤摘要】
本专利技术涉及一种图像分割方法，更具体的说是一种具有抗噪性的模糊聚类图像分割方法。
技术介绍
聚类是将一组给定的未知类别标号的样本分成内在的多个类别，使得同一类中的样本具有较高的相似度，而不同类中的样本差别大。聚类没有训练样本，无需先验知识，只通过一定的经验或者事物的特征来进行分类，属于无监督的(unsupervised)统计方法。模糊聚类是非监督模式识别主要技术之一，在各种聚类算法中，模糊C-均值聚类(FCM)算法的应用最为广泛。该算法用于图像分割时是一种非监督模糊聚类后的标记过程，应用时可以减少人为干预，非常适用于图像中存在不确定性和模糊性的场合。但FCM算法也存在一些缺点，如:对噪声比较敏感；类中心的位置和特性未知，须进行初始假设；运算开销大等。这些缺点特别是对噪声敏感以及运算开销大使得模糊C-均值聚类算法难以在实际应用中推广。因此，很有必要改进该算法。
技术实现思路
本专利技术解决的技术问题是一种抗噪性强、分割速度快的模糊聚类图像分割方法。为解决上述技术问题，本专利技术一种具有抗噪性的模糊聚类图像分割方法，利用K-means算法对初始图像进行聚类，获得K个聚类中心；再将获得的K个聚类中心作为模糊C-均值聚类算法的初始聚类中心对图像再进行聚类，实现图像的分割。进一步地优选方案，本专利技术中所述模糊C-均值聚类算法为改进的模糊C-均值聚类算法，其改进点为将中值滤波 添加到模糊C-均值聚类算法的准则函数中获得新的准则函数，如下:
【技术保护点】
一种模糊聚类图像分割方法，其特征在于，利用K?means算法对初始图像进行聚类，获得K个聚类中心；再将获得的K个聚类中心作为模糊C?均值聚类算法的初始聚类中心对图像再进行聚类，实现图像的分割。
【技术特征摘要】
1.一种模糊聚类图像分割方法，其特征在于，利用κ-means算法对初始图像进行聚类，获得K个聚类中心；再将获得的K个聚类中心作为模糊C-均值聚类算法的初始聚类中心对图像再进行聚类，实现图像的分割。2.根据权利要求1所述的模糊聚类图像分割方法，其特征在于，所述模糊C-均值聚类...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。