(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210568085.8 (22)申请日 2022.05.24 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 邓丽珍　张鑫　朱虎　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 姜梦翔 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/44(2022.01) (54)发明名称 一种基于超像素处理的权重信息熵模糊C均 值聚类方法 (57)摘要 本发明属于聚类算法领域， 具体地说， 是一 种基于超像素处理的权重信息熵模糊C均值聚类 方法， 其分割步骤概括为： 首先， 对输入的图像使 用超像素算法得到预分割结果； 然后根据预分割 结果得到聚类数并初始化隶属度矩 阵和聚类中 心矩阵； 最后采用一种基于权重信息熵的模糊C 均值聚类算法得到分割结果。 公开的聚类方法基 于图像超像素处理， 因此大大减少了图像分割的 时间。 该方法还对目标函数使用了权重信息熵， 提高了图像分割的分割准确度， 降低了分割的边 界位移误差和全局一 致性错误。 权利要求书2页 说明书6页 附图1页 CN 115100406 A 2022.09.23 CN 115100406 A 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32 1*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。 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。 7.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uij， 基于权重信息熵的模糊C均值 聚类算法通过一种交替迭 代方案来 最小化目标函数J： 其中， αl表示第1个超像素区域， Sl表示超像素区域αl中的像素点个数， ukl表示第1个超 像素区域属于第k个聚类中心的模糊隶属度且满足 xp表示图像中的一个像素，权　利　要　求　书 1/2 页 2 CN 115100406 A 2vk表示第k个聚类中心， ∑k是不同维数间相关性的协方差矩阵， 是多元 高斯分布， Sn是超像素区域αl邻近区域αn的像素点个数， πk是超像素区域αl属于vk的先验概 率且满足 其中ρ 是高斯密度函数； 其中D是图像的维数， ∑k是大小为D ×D的对角矩阵， | ·|表示计算行列式； 根据限制条 件 用拉格朗日乘子法对目标函数进行求 解。权　利　要　求　书 2/2 页 3 CN 115100406 A 3