一种基于超像素处理的权重信息熵模糊C均值聚类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115100406A(43)申请公布日2022.09.23(21)申请号202210568085.8(22)申请日2022.05.24(71)申请人南京邮电大学地址210023江苏省南京市鼓楼区新模范马路66号(72)发明人邓丽珍张鑫朱虎(74)专利代理机构南京正联知识产权代理有限公司32243专利代理师姜梦翔(51)Int.Cl.G06V10/26(2022.01)G06V10/762(2022.01)G06V10/44(2022.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于超像素处理的权重信息熵模糊C均值聚类方法(57)摘要本发明属于聚类算法领域，具体地说，是一种基于超像素处理的权重信息熵模糊C均值聚类方法，其分割步骤概括为：首先，对输入的图像使用超像素算法得到预分割结果；然后根据预分割结果得到聚类数并初始化隶属度矩阵和聚类中心矩阵；最后采用一种基于权重信息熵的模糊C均值聚类算法得到分割结果。公开的聚类方法基于图像超像素处理，因此大大减少了图像分割的时间。该方法还对目标函数使用了权重信息熵，提高了图像分割的分割准确度，降低了分割的边界位移误差和全局一致性错误。CN115100406ACN115100406A权利要求书1/2页1.一种基于超像素处理的权重信息熵模糊C均值聚类方法，其特征在于，包括如下步骤：步骤1：初始图像通过快速边缘检测获取更好的梯度图像；步骤2：梯度图像通过多尺度形态梯度重建‑分水岭超像素算法，对输入的321*481的图像进行超像素处理，输出为具有精确边界的超像素图像；步骤3：将完成上述步骤2的超像素图像进行密度平衡算法处理，生成决策图并获取超像素图像所对应的聚类中心数C；步骤4：根据步骤3得到的聚类中心数C，初始化隶属度矩阵U以及类中心矩阵V；步骤5：根据超像素图像获取邻近区域像素点的数量并使用加权信息熵进行处理；步骤6：采用一种基于权重信息熵的模糊聚类算法得到分割结果。2.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法，其特征在于，所述步骤1具体为：输入为RGB图像，分割图像片段之间的边界对应于轮廓。3.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法，其特征在于，所述步骤2具体为：用多尺度形态梯度重建操作获得具有精确轮廓的超像素图像，在所得到的超像素图像的基础上，通过计算超像素图像中每个区域的像素数，有效地简化原始彩色图像。4.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法，其特征在于，所述步骤3具体为：计算出超像素区域的密度和超像素区域间的距离并画出决策图，然后用密度平衡算法对决策图进行优化，根据优化后的决策图中点的分布自动获取到聚类中心数。5.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法，其特征在于，所述步骤4具体为：在算法选择把隶属度矩阵U以及类中心矩阵V初始化为全0矩阵。6.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法，其特征在于，所述步骤5具体为：算法中对超像素图像预分割结果各个像素区域邻近区域像素点的灰度特征信息进行加权处理，获取到权重值后输入到后续的模糊C均值算法。7.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法，其特征在于，所述步骤6具体为：假定数据集为X，如果把这些数据划分成c类的话，那么对应的就有c个类中心为C，每个样本j属于某一类i的隶属度为uij，基于权重信息熵的模糊C均值聚类算法通过一种交替迭代方案来最小化目标函数J：其中，αl表示第1个超像素区域，Sl表示超像素区域αl中的像素点个数，ukl表示第1个超像素区域属于第k个聚类中心的模糊隶属度且满足xp表示图像中的一个像素，2CN115100406A权利要求书2/2页vk表示第k个聚类中心，∑k是不同维数间相关性的协方差矩阵，是多元高斯分布，Sn是超像素区域αl邻近区域αn的像素点个数，πk是超像素区域αl属于vk的先验概率且满足其中ρ是高斯密度函数；其中D是图像的维数，∑k是大小为D×D的对角矩阵，|·|表示计算行列式；根据限制条件用拉格朗日乘子法对目标函数进行求解。3CN115100406A说明书1/6页一种基于超像素处理的权重信息熵模糊C均值聚类方法技术领域[0001]本发明属于聚类算法领域，具体地说，是一种基于超像素处理的权重信息熵模糊C均值聚类方法。背景技术[0002]聚类算法的核心思想是将具有相同特征的数据点放入同一类别中，将具有不同特征的数据点放入不同的类别中。由于聚类的实际应用非常广泛，它可以帮助人们在数据中找到有用的信息，所以研究这类算法的专家学者提出了许多经典算法，其中经典的聚类算