第2期 狄岚，等：一种融合邻域信息的模糊C均值图像分割算法 ·279· 表2算法时间对比 Table 2 Algorithm comparison time 算法比对FCM FCM_S1 FCM_S2 KWFLICM本文算法 (a)0.15高斯噪声 (b)FCM S1 (c)FCM S2 图像11加 2 椒盐噪声 2 63 271 图像12加 2 165 258 椒盐噪声 图像13加 (d)KWFLICM (e)本文算法 3 241 1453 椒盐噪声 图14图像13加高斯噪声效果对比 图像14加 Fig.14 Image 13 with gaussian noise 3 椒盐噪声 图像11加 2 7 290 高斯噪声 图像12加 25 263 高斯噪声 图像13加 4 184 1418 (a)0.15高斯噪声 (b)FCM S1 (c)FCM S2 高斯噪声 图像14加 2 52 20 高斯噪声 4结束语 本文提出了一种融入邻域信息的多测度模糊 (d)KWFLICM(e)本文算法 聚类算法，将局部信息与非局部信息很好地融入 图15图像14加高斯噪声效果对比 到了模型中，先验概率以及邻域隶属度差异惩罚 Fig.15 Image 14 with gaussian noise 项的引入很好地修正了聚类结果。实验证明，本 3.2.3自然图像去噪算法比对评价 文算法对于含噪声图像有着很好的去噪效果，且 从自然图像添加椒盐噪声以及高斯噪声的实 细节保留良好。但本文算法也存在一定缺陷，从 验中可以看出，FCMS1、FCMS2算法对于椒盐 算法时间对比表可以看出，本文算法复杂度略 噪声仍然效果一般，对于高斯噪声效果较好，但 高，虽然分割效果明显优于传统FCM算法，但是 依然有些许噪声颗粒无法有效剔除。KWFLICM 也为此消耗了时间。因此在保证图像分割效果的 算法以及本文算法在自然图像去除噪声方面表现 同时，如何减少算法时间复杂度将是本文需要解 良好，同时细节保留相对完好。 决的问题，这也将成为今后的研究方向。 在自然图像的处理实验中，表2显示FCM、 参考文献： FCMS1、FCMS2在处理图像时速度有优势，但 从实验结果图来看分割效果不甚理想，KW- [1]HARALOCK R M.SHAPIRO L G.Computer and robot FLICM算法速度次之，本文算法速度与其相比较 vision[M].Boston:Addison-Wesley Longman Publishing 较慢。从合成图像实验以及自然图像实验中可以 Co.,Inc.,1991. 看出，FCM算法对噪声处理能力较差，FCMS1、 [2]LI Nan,HUO Hong,ZHAO Yuming,et al.A spatial clus- FCMS2算法对于椒盐噪声处理能力一般，对高 tering method with edge weighting for image segmenta- 斯噪声处理效果相对较好，但图像边界处噪声无 tion[J].IEEE geoscience and remote sensing letters,2013, 10(5):1124-1128 法剔除。KWFLICM算法以及本文算法对噪声处 [3]BARADEZ M O,MCGUKIN C P,FORRAZ N,et al.Ro- 理能力较强，KWFLICM算法对椒盐噪声的处理 bust and automated unimodal histogram thresholding and 能力优于本文算法，但本文算法处理高斯噪声能 potential applications[J].Pattern recognition,2004,37(6): 力要强于KWFLICM算法。综上所述，本文算法 1131-1148. 具有一定优势。 [4]赵凤，范九伦，潘晓英，等.基于灰度和非局部空间灰度(a) 0.15高斯噪声 (b) FCM_S1 (c) FCM_S2 (d) KWFLICM (e) 本文算法 图 14 图像 13 加高斯噪声效果对比 Fig. 14 Image 13 with gaussian noise (a) 0.15高斯噪声 (b) FCM_S1 (c) FCM_S2 (d) KWFLICM (e) 本文算法 图 15 图像 14 加高斯噪声效果对比 Fig. 15 Image 14 with gaussian noise 3.2.3 自然图像去噪算法比对评价 从自然图像添加椒盐噪声以及高斯噪声的实 验中可以看出，FCM_S1、FCM_S2 算法对于椒盐 噪声仍然效果一般，对于高斯噪声效果较好，但 依然有些许噪声颗粒无法有效剔除。KWFLICM 算法以及本文算法在自然图像去除噪声方面表现 良好，同时细节保留相对完好。 在自然图像的处理实验中，表 2 显示 FCM、 FCM_S1、FCM_S2 在处理图像时速度有优势，但 从实验结果图来看分割效果不甚理想， KW￾FLICM 算法速度次之，本文算法速度与其相比较 较慢。从合成图像实验以及自然图像实验中可以 看出，FCM 算法对噪声处理能力较差，FCM_S1、 FCM_S2 算法对于椒盐噪声处理能力一般，对高 斯噪声处理效果相对较好，但图像边界处噪声无 法剔除。KWFLICM 算法以及本文算法对噪声处 理能力较强，KWFLICM 算法对椒盐噪声的处理 能力优于本文算法，但本文算法处理高斯噪声能 力要强于 KWFLICM 算法。综上所述，本文算法 具有一定优势。 表 2 算法时间对比 Table 2 Algorithm comparison time s 算法比对 FCM FCM_S1 FCM_S2 KWFLICM 本文算法 图像11加 椒盐噪声 2 2 2 63 271 图像12加 椒盐噪声 3 3 4 165 258 图像13加 椒盐噪声 3 2 4 241 1453 图像14加 椒盐噪声 1 1 1 48 22 图像11加 高斯噪声 2 2 2 78 290 图像12加 高斯噪声 4 4 4 251 263 图像13加 高斯噪声 4 3 4 184 1418 图像14加 高斯噪声 2 2 2 52 20 4 结束语 本文提出了一种融入邻域信息的多测度模糊 聚类算法，将局部信息与非局部信息很好地融入 到了模型中，先验概率以及邻域隶属度差异惩罚 项的引入很好地修正了聚类结果。实验证明，本 文算法对于含噪声图像有着很好的去噪效果，且 细节保留良好。但本文算法也存在一定缺陷，从 算法时间对比表可以看出，本文算法复杂度略 高，虽然分割效果明显优于传统 FCM 算法，但是 也为此消耗了时间。因此在保证图像分割效果的 同时，如何减少算法时间复杂度将是本文需要解 决的问题，这也将成为今后的研究方向。 参考文献： HARALOCK R M, SHAPIRO L G. Computer and robot vision[M]. Boston: Addison-Wesley Longman Publishing Co., Inc., 1991. [1] LI Nan, HUO Hong, ZHAO Yuming, et al. A spatial clus￾tering method with edge weighting for image segmenta￾tion[J]. IEEE geoscience and remote sensing letters, 2013, 10(5): 1124–1128. [2] BARADEZ M O, MCGUKIN C P, FORRAZ N, et al. Ro￾bust and automated unimodal histogram thresholding and potential applications[J]. Pattern recognition, 2004, 37(6): 1131–1148. [3] [4] 赵凤, 范九伦, 潘晓英, 等. 基于灰度和非局部空间灰度 第 2 期 狄岚，等：一种融合邻域信息的模糊 C-均值图像分割算法 ·279·