使用两阶段模糊c均值算法的无监督颜色纹理分割

无监督图像分割是计算机视觉中的一个基本但具有挑战性的问题。 在本文中,我们提出了一种新颖的无监督分割算法,该算法可以在模式识别中找到各种应用,特别是在计算机视觉中。 该算法名为“两阶段模糊c均值混合方法(TFHA)”,根据图像像素在多个比例和方向上获得的多通道Gabor响应,自适应地对图像像素进行聚类。 在第一阶段,将模糊c均值(FCM)算法应用于质心数的智能估计和聚类质心的初始化,这赋予了新颖的分割算法以适应性。 为了提高算法的效率,我们利用在超像素级别(而不是像素级别)提取的灰度共生矩阵(GLCM)功能来估计质心数和超像素集群成员,将其用作以下各项的初始化参数主聚类阶段,以减少计算成本,同时保持分割性能的准确性接近于原始聚类。 然后,在第二阶段,再次在像素级别使用FCM算法,以提高形成最终均质区域的聚类的紧凑性。 为了检查该算法的性能,进行了广泛的实验,实验结果表明,与状态状态相比,该算法具有非常有效的分割结果和计算行为,减少了执行时间,提高了分割结果的质量。最近在文献中提出了最新的分割方法。