基于Kullback-Leibler散度结合形态学重构与小波框架的模糊$C$均值聚类图像分割
计算机视觉与模式识别
2020-07-02 v2
摘要
尽管图像的空间信息通常能增强模糊C均值（FCM）算法的鲁棒性，却大幅增加了图像分割的计算开销。为在分割性能与聚类速度间取得良好折衷，我们提出一种基于Kullback-Leibler（KL）散度的FCM算法，融合了紧小波框架变换与形态学重构操作。为增强FCM鲁棒性，首先用形态学重构对观测图像进行滤波。采用紧小波框架系统分解观测图像与滤波后图像，以构成其特征集。将这些特征集视为聚类数据，提出一种改进的FCM算法，在目标函数中引入划分矩阵的KL散度项。KL散度项旨在使各图像像素的隶属度更接近其邻域像素的隶属度，从而使隶属度划分更合理并简化FCM的参数设置。基于所得划分矩阵与原型，通过最小化改进目标函数的逆过程重构分割特征集。为修正重构过程中产生的异常特征，将每个重构特征重新指派给最接近的原型，从而进一步提高基于KL散度FCM的分割精度。此外，利用紧小波框架重构操作重建分割图像。最后给出针对合成图像、医学图像与彩色图像的支持性实验。实验结果表明所提算法表现良好，分割性能优于其他对比算法，且所需时间短于大多数FCM相关算法。
引用
@article{arxiv.2002.09479,
title = {Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation},
author = {Cong Wang and Witold Pedrycz and ZhiWu Li and MengChu Zhou},
journal= {arXiv preprint arXiv:2002.09479},
year = {2020}
}
备注
This paper has been withdrawn by the author due to a crucial definition error of objective function