一种快速的模糊C均值聚类彩色图像分割方法

doi:10.3778/j.issn.1002-8331.2009.33.045

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (33): 138-140.DOI: 10.3778/j.issn.1002-8331.2009.33.045

• 图形、图像、模式识别 • 上一篇下一篇

一种快速的模糊C均值聚类彩色图像分割方法

杜海顺^1，2，汪凤泉²

1.河南大学先进控制与智能信息处理研究所，河南开封 475004
2.东南大学仪器科学与工程学院，南京 210096

收稿日期:2008-12-04 修回日期:2009-01-15 出版日期:2009-11-21 发布日期:2009-11-21
通讯作者: 杜海顺

Fast fuzzy C-means clustering algorithm for color image segmentation

DU Hai-shun^1，2，WANG Feng-quan²

1.Institute of Advanced Control and Intelligent Information Processing，Henan University，Kaifeng，Henan 475004，China
2.College of Instrument Science & Engineering，Southeast University，Nanjing 210096，China

Received:2008-12-04 Revised:2009-01-15 Online:2009-11-21 Published:2009-11-21
Contact: DU Hai-shun

摘要/Abstract

摘要： FCM用于彩色图像分割存在聚类数目需要事先确定、计算速度慢的问题，为此，提出一种快速的模糊C均值聚类方法（FFCM）。首先，对原始彩色图像进行基于梯度图的分水岭变换，从而把原始彩色图像数据分成一些具有色彩一致性的子集；然后，利用这些子集的大小和中心点进行模糊聚类。由于FFCM聚类样本数量显著减小，因此可以大幅提高模糊C均值聚类算法的计算速度，进而可以采用聚类有效性指标确定聚类数目。实验表明，这种方法不需要事先确定聚类数目，在聚类有效性能不变的前提下，可以使模糊聚类的速度得到明显提高，实现了彩色图像的快速分割。

关键词: 模糊聚类, 分水岭变换, 彩色图像分割

Abstract: A fast fuzzy C-means clustering algorithm for color image segmentation is proposed to solve the problem of heavy calculating burden and the disadvantage that it needs the number of clusters for FCM.It uses watershed transform that is based on gradient image to partition the color image data into a certain number of subsets with similar color firstly，and then centers and sizes of the subsets are used in FCM.The computation speed of the fuzzy clustering algorithm is improved greatly because the number of color image data points used in fuzzy clustering is reduced notably.Furthermore，it can use the cluster validity index to find the number of clusters quickly.Experiments show that without changing the clustering function，the proposed approach has much faster computation speed than FCM algorithm and can segment the color image quickly and effectively.

Key words: fuzzy clustering, watershed transform, color image segmentation

中图分类号:

TP391.41

杜海顺^1，2，汪凤泉². 一种快速的模糊C均值聚类彩色图像分割方法[J]. 计算机工程与应用, 2009, 45(33): 138-140.

DU Hai-shun^1，2，WANG Feng-quan². Fast fuzzy C-means clustering algorithm for color image segmentation[J]. Computer Engineering and Applications, 2009, 45(33): 138-140.

[1]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[2]	严加展，陈华，李阳. 改进的模糊C-均值聚类有效性指标[J]. 计算机工程与应用, 2020, 56(9): 156-161.
[3]	王燕，亓祥惠，段亚西. 基于马尔科夫随机场的改进FCM图像分割算法[J]. 计算机工程与应用, 2020, 56(4): 197-201.
[4]	王永贵，刘凯奇. 一种优化聚类的协同过滤推荐算法[J]. 计算机工程与应用, 2020, 56(15): 66-73.
[5]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[6]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[7]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.
[8]	余炳光，刘冬梅. 特征逐减的可能性模糊聚类算法[J]. 计算机工程与应用, 2019, 55(19): 58-65.
[9]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[10]	张岭军，李聪，段云龙. 结合空间邻域信息的SAR图像变化检测[J]. 计算机工程与应用, 2019, 55(15): 185-192.
[11]	陈勇1，2，3，周晓锋2，3，李帅1，2，3. 铝电解关键指标预测方法的研究与应用[J]. 计算机工程与应用, 2019, 55(12): 250-258.
[12]	孙佳美，吴成茂. 正则化图形模糊聚类及鲁棒分割算法[J]. 计算机工程与应用, 2019, 55(11): 179-186.
[13]	姚明海1，齐妙2. 基于模糊聚类规则的图像去雾方法研究[J]. 计算机工程与应用, 2018, 54(6): 26-29.
[14]	宋凯，冯翔，虞慧群. 基于群进化策略的模糊聚类算法[J]. 计算机工程与应用, 2018, 54(4): 36-43.
[15]	祖颖，朱平，马冲. 检验双重性质特征的基因模糊聚类分析方法[J]. 计算机工程与应用, 2018, 54(19): 216-220.

一种快速的模糊C均值聚类彩色图像分割方法

Fast fuzzy C-means clustering algorithm for color image segmentation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics