1.一种基于超像素处理的权重信息熵模糊C均值聚类方法,其特征在于,包括如下步骤:步骤1:初始图像通过快速边缘检测获取更好的梯度图像;
步骤2:梯度图像通过多尺度形态梯度重建-分水岭超像素算法,对输入的321*481的图像进行超像素处理,输出为具有精确边界的超像素图像;
步骤3:将完成上述步骤2的超像素图像进行密度平衡算法处理,生成决策图并获取超像素图像所对应的聚类中心数C;
步骤4:根据步骤3得到的聚类中心数C,初始化隶属度矩阵U以及类中心矩阵V;
步骤5:根据超像素图像获取邻近区域像素点的数量并使用加权信息熵进行处理;
步骤6:采用一种基于权重信息熵的模糊聚类算法得到分割结果;
所述步骤6具体为:
假定数据集为X,如果把这些数据划分成c类的话,那么对应的就有c个类中心为C,每个样本j属于某一类i的隶属度为u其中,α
其中ρ是高斯密度函数;
其中,D是图像的维数,∑
根据限制条件
2.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法,其特征在于,所述步骤1具体为:输入为RGB图像,分割图像片段之间的边界对应于轮廓。
3.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法,其特征在于,所述步骤2具体为:用多尺度形态梯度重建操作获得具有精确轮廓的超像素图像,在所得到的超像素图像的基础上,通过计算超像素图像中每个区域的像素数,有效地简化原始彩色图像。
4.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法,其特征在于,所述步骤3具体为:计算出超像素区域的密度和超像素区域间的距离并画出决策图,然后用密度平衡算法对决策图进行优化,根据优化后的决策图中点的分布自动获取到聚类中心数。
5.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法,其特征在于,所述步骤4具体为:在算法选择把隶属度矩阵U以及类中心矩阵V初始化为全0矩阵。
6.根据权利要求书1所述的一种基于超像素处理的权重信息熵模糊C均值聚类方法,其特征在于,所述步骤5具体为:算法中对超像素图像预分割结果各个像素区域邻近区域像素点的灰度特征信息进行加权处理,获取到权重值后输入到后续的模糊C均值算法。