本發(fā)明涉及圖像處理、圖像識別領(lǐng)域。

背景技術(shù)：

隨著智能技術(shù)的飛速發(fā)展，其在生活中也得到了廣泛應(yīng)用，智能家居技術(shù)便是其重要產(chǎn)物之一。智能家居的設(shè)備多樣，其中攝像頭可展示最為立體化的場景。通過攝像頭可及時而有效地監(jiān)控所關(guān)心區(qū)域的動態(tài)，一旦發(fā)現(xiàn)意外情況可及時處理，這對于做好重要區(qū)域的安防工作有較大幫助。圖像分割是作為圖像處理和圖像識別的重要步驟，也逐漸成為該領(lǐng)域研究者研究的熱點。

當(dāng)前，圖像的分割有多重方法，如閾值分割、邊緣檢測、直線提取法、區(qū)域生長和區(qū)域合并、模糊C-均值算法(Fuzzy C-Means)等，這些算法根據(jù)不同的應(yīng)用場景可有多種變形。

基于聚類的圖像分割算法是其中較為常見的一種。聚類分析的目標(biāo)是：同一組內(nèi)的對象是相似的，而不同組中的對象是不同的；同一組內(nèi)的相似性越大，不同組間差別越大，則聚類效果越好，即達(dá)到高內(nèi)聚低耦合的效果。聚類算法分為基于劃分的聚類分析算法、基于層次的聚類分析算法、基于密度的聚類分析算法、基于網(wǎng)格的聚類分析算法和基于模型的聚類分析算法。

聚類算法FCM進(jìn)行圖像分割的優(yōu)點是避免了設(shè)定閾值的問題，并能解決閾值化分割難以解決的多個分支的分割問題；聚類過程中不需要任何人工干預(yù)，很適合于自適應(yīng)圖像分割的應(yīng)用領(lǐng)域聚類類別數(shù)的確定，不同的值會導(dǎo)致結(jié)果差異較大；初始類中心和初始隸屬度矩陣的確定，會導(dǎo)致聚類結(jié)果局部最優(yōu)。

技術(shù)實現(xiàn)要素：

針對上述不足之處，本發(fā)明提出一種新的分割算法，首先基于圖像的顏色特征，根據(jù)圖像的顏色的RGB特征值，對圖像進(jìn)行分割處理，并計算每一份的平均RGB值，將這些值作為初始數(shù)據(jù)集，通過目標(biāo)函數(shù)進(jìn)行劃分，然后定義鄰接矩陣進(jìn)行運算，最后進(jìn)行鄰接迭代得到最優(yōu)的聚類類別，然后進(jìn)行聚類還原，得到圖像的分割效果圖。

本發(fā)明的目的是：得到精確的聚類類別數(shù)和穩(wěn)定的聚類結(jié)果

本發(fā)明為實現(xiàn)上述目的所采用的技術(shù)方案是：一種圖像分割算法，該算法的步驟如下：

步驟1：圖像特征數(shù)據(jù)采集，得到初始數(shù)據(jù)集；

步驟2：對初始數(shù)據(jù)集預(yù)處理，得到矩陣；

步驟3：進(jìn)行矩陣運算得到聚類結(jié)果矩陣；

步驟4：迭代獲取最優(yōu)的聚類類別和穩(wěn)定的聚類結(jié)果；

步驟5：得到最優(yōu)聚類類別數(shù)后，將相同類別的像素點聚成一類，利用圖像

處理的方法將圖像還原，最終得到圖像分割的效果圖。

本發(fā)明的有益效果是：將聚類分析算法有效地與圖像分割進(jìn)行結(jié)合；它能有效的與經(jīng)典聚類算法結(jié)合，利用經(jīng)典聚類算法對初始數(shù)據(jù)進(jìn)行處理，同時克服了經(jīng)典聚類算法人為確定初始聚類中心和聚類類別數(shù)而導(dǎo)致的局部聚類最優(yōu)，通過多次迭代的方式自適應(yīng)地得到精確的聚類類別數(shù)和穩(wěn)定的聚類結(jié)果。

具體實施方式

以下詳細(xì)描述本發(fā)明。

一、圖像特征數(shù)據(jù)采集

將待分割圖像，按照圖像像素大小均勻分成若干等分，可以分成8×8，16×16，32×32大小，一般來說分塊方案按照圖像像素來決定。分好塊以后，計算出每一等份中的像素的平均RGB值，并以該值作為該份的代表值，將這些代表值作為后續(xù)算法的初始數(shù)據(jù)集。

x_j表示第j塊圖像塊的平均RGB值，i表示第j塊圖像塊中第i個像素，R/G/B分別表示像素對應(yīng)的RGB值。

二、數(shù)據(jù)集預(yù)處理

將x_j放入數(shù)據(jù)集X中，X＝{x₁，x₂，...，x_i}，將聚類目標(biāo)函數(shù)表示為：

由此得到參數(shù)u_ij，

其中，參數(shù)u_ij是數(shù)據(jù)點x_i對于類別j的模糊隸屬度，每個樣本點的隸屬度之和均為1，d_ij＝c_i-x_j為第i組聚類中心與第j個數(shù)據(jù)點之間的歐幾里得距離，m是加權(quán)指數(shù)。

通過公式聚類后，X集被劃分為C類，并通過參數(shù)可以得到C×N的U矩陣：

其中，c∈[2，N]，

三、矩陣運算

首先，定義一維向量L＝[l₁，l₂...，l_N]，其中l(wèi)_j為U矩陣j列u_ij最大下表i的值，每個l_j表示對應(yīng)的x_j所屬的類別。

其次，定義判別矩陣O，該矩陣完全由一維向量L的值所決定：

O矩陣實際上表示的是數(shù)據(jù)點之間的關(guān)系，若O_ij＝1，則說明x_i和x_j在同一類別中，若o_ii＝0，則說明兩個點不在一個類別中，所以O(shè)矩陣即是在給定類別數(shù)后產(chǎn)生的聚類結(jié)果矩陣。

四、迭代獲取最優(yōu)結(jié)果

為了得到最優(yōu)的聚類類別和穩(wěn)定的聚類結(jié)果，需要通過多次迭代。

定義迭代判別矩陣：

判別矩陣J包含了所有數(shù)據(jù)點之間的關(guān)系，矩陣中的值越大，說明兩點之間的聯(lián)系越強(qiáng)，被聚成一類的可能性越大。迭代過程是將J矩陣每次遞減1，直到變成零矩陣，每遞減一次，通過圖的廣度優(yōu)先搜索算法計算J矩陣對應(yīng)的鄰接圖的子圖數(shù)量M，將結(jié)果存入一維向量Y＝[M₁，M₂...，M_N]中，找出Y中出現(xiàn)次數(shù)最多的M_K，該值即為最優(yōu)的聚類類別數(shù)，得到的聚類結(jié)果也是穩(wěn)定的。

五、分割得到效果圖

通過上述過程可以得到最優(yōu)聚類類別數(shù)，即為圖像分割的類別數(shù)以及每個像素點所屬類別，將相同類別的像素點聚成一類，利用圖像處理的方法將圖像還原，最終得到圖像分割的效果圖。