袁健+肖化

摘要

模糊聚類是將模糊集的概念應(yīng)用到傳統(tǒng)聚類分析中，讓數(shù)據(jù)集的對象在分組中的隸屬用隸屬函數(shù)來確定，隸屬度函數(shù)更好地描述邊緣像素亦此亦彼得特點，對象在各分組中的隸屬度為連續(xù)區(qū)間[0，1]之間的某個值，以不同程度隸屬于多個簇，而非確定硬聚類中的0或1的二值邏輯。模糊C-均值聚類算法是模糊聚類中的一種經(jīng)典算法，如果樣本空間是非線性可聚的，該聚類不能效果就不理想。而核模糊C-均值聚類利用特征映射很好解決了這個問題。最后用正則化參數(shù)來提高分割的魯棒性和提高圖像的細(xì)節(jié)。提出了加權(quán)圖像，并采用高斯徑向基函數(shù)。

【關(guān)鍵詞】模糊聚類 核模糊C-均值聚類 自適應(yīng)正則化

隨著信息技術(shù)的發(fā)展和不斷深入，人們越來越多地利用計算機來幫助人類獲取與處理各種信息。據(jù)統(tǒng)計，在人類從外界獲得的信息中有75%左右是來自視覺或者說圖像信息。自20世紀(jì)70年代起，圖像分割的研究就一直受到人們的高度重視，是圖像處理技術(shù)的研究重點和焦點。在對圖像的研究和應(yīng)用中，人們往往僅對圖像中的某些部分感興趣，圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。

在過去幾十年中，學(xué)者們提出了很多關(guān)于圖像分割的算法。主要包括以下幾種：閾值法、區(qū)域生長法、聚類方法、邊緣分割方法、基于模型的分割方法、基于模型的分割方法。本文采用聚類方法進(jìn)行圖像分割。

模糊C-均值（Fuzzy c-means，F(xiàn)CM）聚類算法是模糊聚類中一種經(jīng)典算法，它以模糊數(shù)學(xué)理論為基礎(chǔ)對硬C-均值（Hard c-means，HCM）進(jìn)行了推廣，賦予每個樣本對于各類的隸屬度。減少了人為的干預(yù)，而且較適合圖像存在的不確定性和模糊性的特點。

1模糊C-均值聚類算法

在眾多模糊聚類分析方法中，模糊C-均值（FCM）聚類具有符合人類認(rèn)知特性、描述簡潔明晰、自動分類等優(yōu)點，已在圖像分割領(lǐng)域得到廣泛應(yīng)用。由J.C.Bezdek所提出的FCM聚類算法是一種模糊目標(biāo)函數(shù)法，其將目標(biāo)函數(shù)定義為：

其中，m成為加權(quán)指數(shù)（平滑指數(shù)），Vi（i=l，2，...c）為第i個聚類的聚類中心，Uij表示樣本xj對第i個聚類中心的隸屬程度，d（xj，vi）表示樣本和聚類中心之間的歐氏距離。釆用拉格朗日乘子法對目標(biāo)函數(shù)進(jìn)行最小化最后可得到uij，vi的值。算法流程先選取結(jié)束閾值，再設(shè)置算法最大迭代次數(shù)，初始化聚類中心，然后進(jìn)行迭代計算出聚類中心和模糊劃分矩陣（隸屬度矩陣）。

2核模糊C-均值聚類算法

聚類分析很大程度上依賴于數(shù)據(jù)集的分布，如果樣本空間本來是線性可聚的，則FCM可以獲得很好的聚類效果，但是樣本空間是非線性可聚的，則很難取得較好的效果，人們需要找到比線性函數(shù)更富有表達(dá)能力的假設(shè)空間，為此出現(xiàn)了基于核的學(xué)習(xí)方法。該方法利用特征映射將低維輸入空間中的線性不可分?jǐn)?shù)據(jù)映射到高維特征空間，使其在該空間變得線性可分，進(jìn)而可以結(jié)合FCM中線性方法對圖像進(jìn)行分割。核方法使得數(shù)據(jù)在高維空間中更易于處理，同時也避免了高維空間帶來的維數(shù)問題。

3正則化處理

圖像一般存在著噪聲和部分容積效應(yīng)，一些醫(yī)學(xué)圖像還存在著偏磁場的影響，普通的FCM算法對空間和噪聲敏感，不能達(dá)到很好的效果，因此引入基于自適應(yīng)正則化的框架來提高圖像分割的效果。首先計算出與每個像素相關(guān)的自適應(yīng)正則化參數(shù)來控制互相關(guān)的像素點，同時用高斯徑向基函數(shù)（GRBF）來用于KFCM中的核函數(shù)。最后用拉格朗日乘子法即可得到最優(yōu)解。

4實驗結(jié)果

如圖1所示，本實驗釆用的原圖像是一個大腦磁共振灰度圖，并且加上了噪聲以測試該算法對噪聲的處理能力。

5結(jié)論

采用基于自適應(yīng)正則化的核模糊C-均值聚類算法對大腦磁共振圖像進(jìn)行了分割，實驗結(jié)果表明對噪聲和部分容積效應(yīng)的干擾有明顯的優(yōu)化，也達(dá)到了很好的分割效果和圖像細(xì)節(jié)方面的處理。

參考文獻(xiàn)

[1] Bezdek J C. Pattern recognition with fuzzy objective function algorithms. New York： Plenum Press，1981.

[2] Wu z，Xie W， Yu J， Fuzzy c-means clustering algorithm based on kernel method. In：Proceedings of Fifth International Conference on Computational Intelligence and Multimedia Applications，2003：49-54.

[3] A. Elazab，Q. Hu，F(xiàn). Jia， and X. Zhang，“Content based modified reaction-diffusion equation for modeling tumor growth of low grade glioma，” in Proceedings of the 7th Cairo International Biomedical Engineering Conference （ClBEC9 14），pp.l0 7-110， Giza， Egypt，December 2014.endprint