蘭 蓉，韓天玥

(西安郵電大學(xué) 通信與信息工程學(xué)院，陜西 西安 710121)

圖像分割的目的是根據(jù)灰度、顏色或紋理等特征將圖像劃分成若干區(qū)域[1]，被廣泛應(yīng)用于圖像壓縮[2]、網(wǎng)絡(luò)視頻傳輸[3]、醫(yī)學(xué)圖像診斷[4]和目標(biāo)跟蹤[5]等領(lǐng)域的圖像處理過程中。圖像分割結(jié)果直接影響后續(xù)圖像處理的效果。

圖像分割一般通過提取圖像特征并結(jié)合不同策略進(jìn)行[6-8]。現(xiàn)有的圖像分割方法通常通過采用多種提取方式以獲得多維圖像特征，例如，基于區(qū)域的彩色圖像分割(Region-based Color Image Segmentation,RCIS)算法[9]、基于特征融合視覺顯著性的圖像分割算法[10]、基于多尺度顏色特征和小波紋理特征(Multiscale Color and Wavelet-based Textures,MCWT)的無監(jiān)督火焰圖像分割算法[11]等。這些算法同時(shí)考慮圖像色彩和紋理特征，避免了傳統(tǒng)算法將彩色圖像轉(zhuǎn)換為灰度圖像時(shí)損失顏色及細(xì)節(jié)信息的問題，但是在分割精度上仍有待進(jìn)一步提高。

影響彩色圖像分割精度的因素，除了圖像特征提取方式，還有圖像的分割策略。文獻(xiàn)[12]提出的抑制式模糊C-均值(Suppressed Fuzzy C-Means,SFCM)聚類是一種進(jìn)行彩色圖像分割的有效方式，但是，SFCM算法采用固定值0.5作為抑制因子，在一定程度上影響算法的適應(yīng)性。事實(shí)上，在圖像分割的過程中，若能夠根據(jù)圖像自身特性自適應(yīng)地選取抑制因子值[13]，則會使得算法在保持分割精度的同時(shí)，還可以獲得較快的收斂速度[14-16]。文獻(xiàn)[17]給出抑制因子的柯西型指數(shù)選擇公式，提升了收斂速度，但是，該算法對初始聚類中心較為敏感，在一定程度上影響算法運(yùn)行效率。文獻(xiàn)[18]結(jié)合像素空間信息，通過在聚類過程中動態(tài)設(shè)置抑制因子來提高分割精度，但該算法相比SFCM算法的運(yùn)行速度有所減慢。

為了提高彩色圖像分割精度，本文擬在SFCM算法的基礎(chǔ)上提出一種融合特征自適應(yīng)抑制式模糊聚類彩色圖像分割 (Adaptive Suppressed Fuzzy Clustering Color Image Segmentation with Fused Features,FFA-SFCM)算法。首先，在Lab空間提取圖像顏色信息，并對彩色圖像進(jìn)行塊劃分，采用Haar小波變換提取各圖像塊的紋理特征，結(jié)合半方差函數(shù)描述圖像空間信息，得到圖像的顏色與紋理融合特征。其次，對每一個樣本計(jì)算其非最大隸屬度均值作為該樣本的抑制因子，以動態(tài)地獲得抑制因子值。最后，針對SFCM聚類算法對初始聚類中心敏感，迭代時(shí)間較長等問題，利用自適應(yīng)帶寬參數(shù)改進(jìn)均值漂移聚類(Mean-Shift-Cluster)算法[19-20]，得到SFCM算法初始聚類中心和聚類數(shù)目，以加快SFCM算法收斂速度，提高圖像分割精度。

1 預(yù)備知識

1.1 抑制式模糊C-均值聚類算法

模糊C-均值(Fuzzy C-Means,FCM)[21]聚類算法利用模糊集理論構(gòu)建目標(biāo)函數(shù)，其目標(biāo)函數(shù)為

(1)

其中：m為模糊因子，通常取2；uij表征樣本xi(i=1,2,…,n)到聚類中心vj(j=1,2,…,c)的隸屬度；dij為樣本xi到聚類中心vj的歐式距離；uij∈[0,1]，且滿足條件

利用拉格朗日乘數(shù)法求解式(1)，即可得到隸屬度uij和聚類中心vj，其計(jì)算表達(dá)式分別為

(2)

(3)

為提高FCM聚類算法迭代速度并保持良好聚類效果，F(xiàn)an[12]等提出SFCM聚類算法，采用“競爭學(xué)習(xí)”的思想，通過抑制因子α修正uij。

設(shè)第樣本p具有最大隸屬度，即

其中，抑制因子α∈[0,1]。

SFCM算法的初始聚類數(shù)目需事先設(shè)定，且隨機(jī)確定初始聚類中心，容易造成聚類結(jié)果陷入局部最優(yōu)，算法收斂速度慢等問題。

1.2 Mean-Shift聚類算法

Mean-Shift算法[19-20]是一種核密度估計(jì)算法，其核心是對特征空間的樣本進(jìn)行聚類，得到密度梯度為0的模式點(diǎn)。

設(shè)zi(i=1,2,…,n)為d維空間Zd中的樣本，則在任意點(diǎn)的Mean-Shift量為

(4)

其中：B={y:(y-z)′(y-z)≤k}表示半徑為k的高維球區(qū)域；l表示在n個樣本點(diǎn)中，位于B區(qū)域的樣本數(shù)。

式(4)可以表述為

M(z)=msh(z)-z

當(dāng)給定初始樣本點(diǎn)z、帶寬參數(shù)k(即高維球區(qū)域的半徑)以及容許誤差ε，Mean-Shift算法采用如下的選代過程。

步驟1計(jì)算msh(z)。

步驟2計(jì)算dist=‖msh(z)-z‖。

步驟3若dist<ε，則終止循環(huán)，將msh(z)即為一個模式點(diǎn)；若dist≥ε，則令z=msh(z)繼續(xù)執(zhí)行步驟1。

2 FFA-SFCM算法

為了提高彩色圖像分割準(zhǔn)確率，加快SFCM算法收斂速度，提出FFA-SFCM算法。使用顏色、紋理融合特征表示彩色圖像，利用模糊隸屬度構(gòu)造SFCM算法的抑制因子自適應(yīng)選取公式，針對SFCM聚類算法對初始聚類中心敏感的問題，利用改進(jìn)的自適應(yīng)均值漂移聚類(Mean-Shift-Cluster)算法優(yōu)選初始聚類中心，加快算法收斂。

2.1 顏色與紋理融合特征的提取

2.1.1 顏色特征的提取

選取合適的顏色空間是有效分割彩色圖像的基礎(chǔ)。常見的紅綠藍(lán)(Red Green Blue,RGB)顏色空間將所有的顏色看作3個基色的組合，其R、G、B分量之間存在較強(qiáng)的相關(guān)性，不適用于3個分量獨(dú)立運(yùn)算的彩色圖像分割中。為此，采用Lab顏色空間[22]提取圖像的顏色特征。Lab空間中的分量L表示亮度信息，分量a、b反映色彩信息。其中，分量a表示從紅色到綠色范圍的顏色信息，分量b表示從黃色到藍(lán)色范圍的顏色信息。Lab空間的3個分量之間不存在強(qiáng)的相關(guān)性，另外，Lab顏色空間具有歐式距離不變性，即視覺上差異較小的兩種顏色在Lab顏色空間的歐式距離也較小，提取出的顏色特征接近人眼的視覺感受，適用于彩色圖像分割[22]。

將原始彩色圖像由RGB顏色空間轉(zhuǎn)化到Lab顏色空間的計(jì)算表達(dá)式[22]為

(5)

(6)

其中：w1、w2、w3為中間量；R、G、B分別表示圖像在RGB顏色空間的紅、綠、藍(lán)分量值；函數(shù)

2.1.2 小波紋理特征提取

小波變換是對信號進(jìn)行多尺度分析的有力工具[23]，為保證計(jì)算速度和特征提取的有效性，采用Haar小波對圖像進(jìn)行小波分解。

由于分塊提取特征能夠得到更豐富的圖像細(xì)節(jié)信息，因此，首先以s1×s2大小對圖像進(jìn)行劃分。經(jīng)過二維Haar小波分解得到原始圖像的近似值及其水平、垂直和對角方向的細(xì)節(jié)信息。由于小波細(xì)節(jié)圖像為原圖各個頻道的能量分布，包含了不同方向上的紋理信息，提取細(xì)節(jié)子圖的熵作為紋理特征[24]，則圖像第i個像素點(diǎn)對應(yīng)的小波紋理特征可表示為(TLH,i,THL,i,THH,i)，其中，TLH,i、THL,i和THH,i分別表示第i個像素所在圖像塊經(jīng)小波分解后得到的水平、垂直和對角線分量。

2.1.3 紋理特征的提取

采用半方差函數(shù)提取圖像的紋理特征。半方差函數(shù)γ(h)代表空間相距為h的像素對差值二次增量的數(shù)學(xué)期望的一半，其取值依賴于兩個樣本間的空間距離h的大小和角度[25]，γ(h)從統(tǒng)計(jì)角度衡量數(shù)據(jù)的局部變化與空間相關(guān)性，能夠反映圖像的紋理特征[25]。半方差函數(shù)的定義為

其中：E(·)為期望值；d(xi)代表圖像像素點(diǎn)i處的灰度值；h取值由圖像的大小決定。

設(shè)圖像共含n個像素，提取各像素點(diǎn)Lab顏色空間的分量作為其顏色特征，(Li,ai,bi)表示第i(i=1,2,…,n)個像素點(diǎn)在Lab顏色空間的坐標(biāo)。對各圖像塊提取半方差圖特征，將圖像第i個像素點(diǎn)對應(yīng)的半方差圖特征表示為Si，則可以將原圖中像素點(diǎn)i對應(yīng)的特征向量表示為

Gi=(Li,ai,bi,TLH,iTHL,i,THH,iSi)

(7)

2.2 初始聚類中心的選擇

SFCM算法需要事先設(shè)定初始聚類數(shù)目，隨機(jī)確定初始聚類中心，聚類結(jié)果可能陷入局部最優(yōu)，并且算法收斂速度較慢，為此，利用改進(jìn)的Mean-Shift算法獲得數(shù)據(jù)集的聚類數(shù)目和聚類中心，并將其作為SFCM聚類算法的初始值。

在Mean-Shift算法中，帶寬參數(shù)k的選擇至關(guān)重要，選擇較小的帶寬會導(dǎo)致算法收斂速度較慢；選擇的帶寬較大，雖然會加速算法收斂速度，但是，有可能影響最終聚類的效果。為此，采用一種基于類別方差的帶寬自適應(yīng)方式來改進(jìn)Mean-Shift算法。改進(jìn)算法采用如下步驟。

設(shè)圖像的像素個數(shù)為n，將像素點(diǎn)i的特征向量Gi重寫為Xi=[xi1,xi2,…,xi7]，i∈{1,2,…,n}。

2.3 抑制因子的自適應(yīng)選取

SFCM算法中的抑制因子α的取值固定，在一定程度上影響了算法的適應(yīng)性，為此，采用一種自適應(yīng)選取抑制因子的方式，動態(tài)地獲得抑制因子值，使得隸屬度能夠根據(jù)變化進(jìn)行修正，在保證聚類精度的同時(shí)提高算法的收斂速度。

設(shè)樣本點(diǎn)xi(i=1,2,…,n)的隸屬度為uij(i=1,2,…,n;j=1,2,…,c)，其中，xi對于各類的最大隸屬度為uip，則樣本點(diǎn)xi的抑制因子為

(8)

(9)

(10)

樣本最大隸屬度uip越大，表明樣本距離最大隸屬度所在的第p類距離越近，此時(shí)樣本對該類別具有競爭優(yōu)勢，應(yīng)予以獎勵，同時(shí)，對樣本到其他類的隸屬度uij(j≠p)進(jìn)行抑制[14]。當(dāng)樣本最大隸屬度越大時(shí)，其非最大隸屬度之和越小，則抑制因子αi越小，對非最大隸屬度所在類的抑制程度越大，從而對最大隸屬度的獎勵就越大。這種抑制方式滿足SFCM算法“競爭學(xué)習(xí)”機(jī)制的基本原理。

設(shè)計(jì)的自適應(yīng)生成抑制因子的方式進(jìn)一步強(qiáng)化了最大隸屬度獎勵機(jī)制，可以加快算法收斂。此外，由式(8)獲得的αi值隨迭代過程中隸屬度隨uij的變化而變化，即能夠根據(jù)模糊劃分的矩陣實(shí)現(xiàn)抑制因子的動態(tài)調(diào)整，使得樣本能夠更加高效地實(shí)現(xiàn)類別歸屬，改善聚類效率。

2.4 算法實(shí)現(xiàn)步驟

FFA-SFCM算法采用如下步驟實(shí)現(xiàn)。

步驟1將圖像轉(zhuǎn)換至Lab顏色空間，根據(jù)式(5)和式(6)提取圖像顏色特征。

步驟2根據(jù)圖像半方差圖特征與二維小波變換結(jié)果，提取圖像紋理特征，得到圖像的7維融合特征。

步驟3確定Mean-Shift帶寬參數(shù)，并通過Mean-Shift聚類獲得聚類中心與類別數(shù)目。

步驟4使用SFCM算法對獲得的聚類中心與類別數(shù)目進(jìn)行聚類并初始化其余參數(shù)，設(shè)置迭代次數(shù)g，迭代終止閾值σ，最大迭代次數(shù)T，模糊指數(shù)m。

步驟5利用式(2)計(jì)算隸屬度函數(shù)uij，利用式(8)動態(tài)獲取抑制因子αi，并利用式(9)與式(10)修正隸屬度函數(shù)。

步驟6利用式(3)迭代計(jì)算聚類中心。若‖vg+1-vg‖<σ或迭代次數(shù)g>T，則停止循環(huán)迭代，否則，令g=g+1并返回步驟5。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證FFA-SFCM算法的性能，從彩色圖像數(shù)據(jù)集CALTECH 101、Berkeley Segmentation Data Set (BSDS) 500以及Google Earth遙感圖像中選擇若干圖像進(jìn)行測試。

將提出的FFA-SFCM算法與基于區(qū)域的快速圖像分割算法[7](Fast Region-based Image Segmentation Algorithm,FRISA)、自適應(yīng)彩色圖像分割算法[8](Adaptive Color Image Segmentation Algorithm,ACISA)，RCIS算法[9]，MCWT算法[11]，F(xiàn)CM算法[21]、SFCM算法[12]以及改進(jìn)的抑制模糊C-均值(Improved Suppressed Fuzzy C-Means,IS-FCM)算法[18]在分割效果和分割指標(biāo)兩個方面進(jìn)行對比與分析，檢驗(yàn)本文算法的性能。其中：FRISA算法提取圖像顏色紋理等融合特征，并利用改進(jìn)的K均值算法進(jìn)行聚類分割；ACISA算法提取小波紋理等特征組成特征向量，采用改進(jìn)的KFCM聚類算法實(shí)現(xiàn)圖像分割；IS-FCM算法根據(jù)樣本到聚類中心的最大和最小距離動態(tài)設(shè)定抑制因子，對FCM算法進(jìn)行了改進(jìn)。

實(shí)驗(yàn)在2.3 GHz CPU、四核Intel Core i5、8 GB內(nèi)存、macOS Catalina環(huán)境下進(jìn)行，軟件仿真利用Matlab R2018a實(shí)現(xiàn)。實(shí)驗(yàn)中設(shè)置參數(shù)s1=4，s2=4，h=2，ε=1.5，σ=1×10-5，T=100，m=2。

采用劃分系數(shù)(Partition Coefficient,PC)[26]與劃分熵(Partition Entropy,PE)[27]作為聚類有效性評價(jià)指標(biāo)。PC和PE能夠反映劃分矩陣的模糊程度，PC值越大，劃分矩陣的模糊性越小，聚類性能越好；PE值越小，樣本分類越準(zhǔn)確。

對于圖像分割性能，選擇分割準(zhǔn)確率(Segmentation Accuracy,SA)[28]、規(guī)范化互信息(Normalized Mutual Information,NMI)[29]和結(jié)構(gòu)相似性(Structural Similarity Index,SSIM)[30]作為評價(jià)指標(biāo)。SA和NMI的值越大，表明分割結(jié)果越接近標(biāo)準(zhǔn)分割。SSIM越接近1，表明算法實(shí)際分割結(jié)果與標(biāo)準(zhǔn)分割結(jié)果之間的相似性越大。

另外，為了驗(yàn)證算法失真性能，引入分割結(jié)果與原圖的峰值信噪比(Peak Signal to Noise Ratio,PSNR)[31]作為算法的評價(jià)指標(biāo)。PSNR值越大，說明圖像失真越少。

3.1 算法的有效性

選取CALTECH 101數(shù)據(jù)庫中覆蓋所有類別的1 010幅圖像、BSDS500圖像庫中全部506幅圖像以及50幅隨機(jī)截取的Google Earth遙感圖像作為實(shí)驗(yàn)對象，分別使用改進(jìn)的Mean-Shift和隨機(jī)方式選取初始聚類中心，測試其平均迭代次數(shù)和平均收斂時(shí)間兩個反映技術(shù)效率的指標(biāo)，兩種方式選取初始聚類中心的效率如表1所示。為驗(yàn)證提出的自適應(yīng)抑制因子選取方式的有效性，測試抑制因子取固定值0.5、IS-FCM和改進(jìn)算法等3種抑制因子確定方式的平均迭代次數(shù)與平均收斂時(shí)間等效率指標(biāo)，實(shí)驗(yàn)結(jié)果如表2所示。

表1 兩種方式選取初始聚類中心的效率

表2 不同抑制因子確定方式的效率

從表1可以看出，使用改進(jìn)的Mean-Shift方法選擇初始聚類中心可以有效減少算法迭代次數(shù)，縮短算法收斂時(shí)間。這是因?yàn)?，隨機(jī)選取的初始聚類中心具有不確定性，會在一定程度上影響SFCM算法的聚類分割效率，而改進(jìn)算法選擇的初始聚類中心根據(jù)圖像自身特征確定，可以提高SFCM算法聚類效率。

從表2可以看出，改進(jìn)算法的抑制因子自適應(yīng)確定方式的迭代次數(shù)和運(yùn)行時(shí)間較少，算法效率較高。

為了分析提取不同特征對圖像分割效果的影響，分別選取BSDS500圖像庫中#3063和#253036兩幅圖像、CALTECH 101數(shù)據(jù)庫中#0048和#0071兩幅圖像以及Google Earth遙感圖像#001和#002兩幅圖像作為實(shí)驗(yàn)對象，分別提取各圖像在Lab顏色空間的3維顏色特征、結(jié)合小波紋理特征組成的6維顏色紋理特征以及結(jié)合半方差圖特征的7維融合特征進(jìn)行實(shí)驗(yàn)，測試各圖像分割結(jié)果的劃分熵、劃分系數(shù)以及圖像的分割準(zhǔn)確率，分割量化指標(biāo)如表3所示?？梢钥闯?，改進(jìn)算法提取7維融合特征表征的圖像分割結(jié)果的性能指標(biāo)更優(yōu)，這是因?yàn)?，提取?維融合特征不僅包括圖像的顏色特征，還包括描述圖像細(xì)節(jié)信息的小波紋理特征和描述圖像空間信息的半方差圖特征，三者結(jié)合后對圖像的描述更為細(xì)致和全面，以其作為圖像分割的依據(jù)，分割結(jié)果會更為準(zhǔn)確。

表3 提取不同特征表征圖像信息的分割量化指標(biāo)

3.2 算法的可視化效果

選取CALTECH 101圖像庫中#0048、#0063和#0071圖像進(jìn)行實(shí)驗(yàn)，原始圖像如圖1所示。選擇的3幅圖像的前景內(nèi)容均為單個物體，便于通過視覺觀察圖像分割結(jié)果。8種算法對3幅圖像的分割結(jié)果分別如圖2、圖3和圖4所示。

圖1 CALTECH 101圖像庫中的原始測試圖像

圖2顯示，MCWT算法不能有效區(qū)分花蕊與花瓣；FRISA與ACISA算法的分割結(jié)果均未能得到完整的花蕊；RCIS算法對花瓣的分割效果不理想；SFCM算法和FCM算法均未能準(zhǔn)確分割花瓣右上角區(qū)域與天空背景；而改進(jìn)算法能夠較為準(zhǔn)確地分割花瓣與花蕊，天空與大地。這是因?yàn)?，改進(jìn)算法利用圖像小波分解提取到圖像水平、垂直以及對角方向等更加詳細(xì)的細(xì)節(jié)信息，能夠?qū)D像的細(xì)節(jié)部分進(jìn)行更為準(zhǔn)確的分割。

圖2 8種算法對#0048圖像的分割結(jié)果

圖3顯示，RCIS算法未能準(zhǔn)確判別海星基本輪廓，MCWT、FRISA、SFCM、FCM、ACISA和IS-FCM算法均不能有效抑制背景沙灘部分的噪聲，相比之下，改進(jìn)算法對背景噪聲的抑制較為有效，分割結(jié)果更為準(zhǔn)確。

圖3 8種算法對#0063圖像的分割結(jié)果

圖4顯示，MCWT、FRISA、RCIS、SFCM和FCM算法均對背景的沙灘四角區(qū)域產(chǎn)生誤判；IS-FCM與ACISA算法的分割結(jié)果均缺失了海星的一角；而FFA-SFCM算法能有效地區(qū)分海星與背景的沙灘，更完整地保留了海星輪廓。

圖4 8種算法對#0071圖像的分割結(jié)果

CALTECH 101圖像庫沒有提供標(biāo)準(zhǔn)分割圖像，而BSDS500圖像庫包含由專家手工標(biāo)注的標(biāo)準(zhǔn)分割圖像，是經(jīng)常被用作測試圖像分割性能的數(shù)據(jù)集[15]，為此，選取BSDS500圖像庫中的#3063、#3096、#135069等3幅圖像進(jìn)行實(shí)驗(yàn)。3幅原始測試圖像如圖5所示，標(biāo)準(zhǔn)分割圖像如圖6所示。8種算法對3幅圖像的分割結(jié)果分別如圖7、圖8和圖9所示?？梢钥闯?，與其他算法相比，改進(jìn)算法FFA-SFCM可以更加有效地區(qū)分目標(biāo)與背景。

圖5 BSDS500圖像庫中的原始測試圖像

圖6 BSDS500圖像庫中測試圖像的標(biāo)準(zhǔn)分割圖像

圖7 8種算法對#3063圖像的分割結(jié)果

圖8 8種算法對#3096圖像的分割結(jié)果

圖9 8種算法對#135069圖像的分割結(jié)果

為了進(jìn)一步測試算法在紋理信息較為豐富的彩色圖像上的分割效果，選取Google Earth數(shù)據(jù)庫中的#001、#002和#003等3幅遙感圖像進(jìn)行實(shí)驗(yàn)。遙感圖像更為復(fù)雜，包含更多的紋理信息和干擾，能夠進(jìn)一步測試算法的圖像分割性能。原始遙感測試圖像如圖10所示。8種算法對3幅遙感圖像的分割結(jié)果分別如圖11、圖12和圖13所示?？梢钥闯觯倪M(jìn)算法能更準(zhǔn)確地劃分房屋、莊稼與綠地區(qū)域，保持較豐富的細(xì)節(jié)信息。這是因?yàn)樵诿枋霾噬珗D像時(shí)，改進(jìn)算法提取了圖像的紋理特征作為聚類分割的樣本，因此，相比其他對比算法，能更準(zhǔn)確地分割紋理特征較為復(fù)雜的遙感圖像。

圖10 Google Earth庫中的原始測試圖像

圖11 8種算法對#001圖像的分割結(jié)果

圖12 8種算法對#002圖像的分割結(jié)果

圖13 8種算法對#003圖像的分割結(jié)果

3.3 圖像分割的量化性能

為分析本文算法聚類性能，選取CALTECH 101圖像庫中#0048、#0063和#0071圖像進(jìn)行測試。表4給出了8種算法在劃分熵和劃分系數(shù)指標(biāo)上的統(tǒng)計(jì)結(jié)果?？梢钥闯觯倪M(jìn)算法的劃分熵與劃分系數(shù)指標(biāo)均優(yōu)于其他對比算法，這是因?yàn)椋倪M(jìn)算法采用抑制因子自適應(yīng)選擇方式，加強(qiáng)了SFCM算法對最大隸屬度的獎勵，使得其具有較好的聚類性能。

表4 8種算法對CALTECH 101數(shù)據(jù)庫部分圖像的分割量化結(jié)果

由于CALTECH 101圖像庫沒有提供標(biāo)準(zhǔn)分割圖像，無法客觀評價(jià)分割準(zhǔn)確率，為進(jìn)一步分析改進(jìn)算法的圖像分割性能，選取BSDS500圖像庫中的#3063、#3096和#135069等3幅圖像進(jìn)行測試。8種算法的劃分熵、劃分系數(shù)、分割準(zhǔn)確率、互信息指數(shù)、結(jié)構(gòu)相似度和峰值信噪比等6個性能指標(biāo)數(shù)據(jù)如表5所示?？梢钥闯?，相較于對比算法，改進(jìn)算法能夠獲得較好的聚類性能。這是因?yàn)?，F(xiàn)CM和SFCM算法僅使用灰度信息分割圖像，RCIS、MWCT、ACISA和FIRSA算法提取的圖像特征的維數(shù)較少，而改進(jìn)算法采用多維度的融合特征來表征圖像，上改善了圖像分割效果。另外，相比IS-FCM算法，改進(jìn)算法的抑制因子自適應(yīng)方式較佳，因而能夠獲得更高的分割準(zhǔn)確率。

表5 8種算法對BSDS500數(shù)據(jù)庫測試圖像分割的量化指標(biāo)

為了測試算法在富含紋理信息圖像上的性能指標(biāo)，選取部分Google Earth數(shù)據(jù)庫中的#001、#002和#003等3幅遙感圖像進(jìn)行測試。表6給出了8種算法的劃分熵、劃分系數(shù)和峰值信噪比3個指標(biāo)數(shù)據(jù)。表6顯示，改進(jìn)算法的聚類性能和峰值信噪比指標(biāo)均優(yōu)于對比算法，說明改進(jìn)算法在分割紋理信息較為豐富圖像的效果較好。

表6 8種算法對Google Map數(shù)據(jù)庫測試圖像分割的量化指標(biāo)

4 結(jié)語

針對抑制式模糊C-均值聚類算法對初始聚類中心敏感和抑制因子無法自適應(yīng)選擇導(dǎo)致分割精度、效率較低等問題，提出了一種融合特征自適應(yīng)抑制式模糊聚類彩色圖像分割算法。在顏色特征基礎(chǔ)上，結(jié)合小波變換和半方差函數(shù)得到顏色與紋理融合特征以更好地概括圖像信息。在對圖像進(jìn)行聚類分割之前，利用改進(jìn)的Mean-Shift算法確定了初始聚類中心與聚類數(shù)目，并根據(jù)模糊隸屬度構(gòu)造出SFCM算法的抑制因子自適應(yīng)選取公式，實(shí)現(xiàn)了抑制因子的動態(tài)調(diào)整。仿真實(shí)驗(yàn)表明，相較于相關(guān)經(jīng)典算法，改進(jìn)算法提取的融合特征能夠更加有效地描述圖像信息，圖像的分割精度較高，在視覺效果和評價(jià)指標(biāo)方面均有較好的結(jié)果。此外，通過優(yōu)選初始聚類中心、聚類數(shù)目和抑制因子自適應(yīng)選擇方式，加快了算法收斂速度，提高了算法的執(zhí)行效率。