基于模糊C―均值聚类的粮虫图像分割

摘 要 ：储粮害虫图像分割是粮虫特征提取和分类识别的基础和关键.本文介绍了基于模糊C-均值聚类算法的储粮害虫数字图像分割,利用该方法对粮虫数字图像进行分割,实验结果表明,图像分割效果较好,通用性强,为粮虫图像的特征提取提供了良好基础.

关 键 词 ：模糊C-均值聚类 储粮害虫 图像分割

中图分类号：TP391.4 文献标识码：A 文章编号：1007-9416（2014）02-0092-01

粮食的安全储藏问题是个世界性难题.据联合国粮农组织的调查统计,全世界每年粮食霉变及虫害等损失为粮食产量的8%[1].因此,搞好粮食储藏,进行储粮害虫的治理非常重要.检测粮虫有分离和识别两个步骤.粮虫是运动的小目标对象,对其进行图像分割是图像处理和分析的关键,这直接影响到粮虫的特征提取和分类识别的结果.基于模糊C-均值聚类的粮虫图像分割效果较好.

实际应用中获取的图像常存在模棱两可的像素点,这些点似乎既可以划分到这一类又可以划分到另一类,而模糊数学最大的优势就是处理这种模糊状况,因此国内外许多学者将模糊理论应用到图像分割中,取得了较好的效果[2,3].

模糊C-均值（Fuzzy C-Means,FCM）算法是一种被广泛使用的基于目标函数优化的无监督模糊聚类方法,它无需训练样本,通过迭代执行分类算法来提取各类的特征值.

1.模糊C-均值聚类算法基本原理

设数据集是n个样本组成的样本集合,c为预定的分类数目,为每个聚类的中心,是第个样本对于第类的隶属度函数.用隶属度函数定义的聚类损失函数：

当算法收敛时,即得到各类聚类中心和各个样本点对于各类的隶属度值,从而完成了模糊聚类划分.

2.实验结果

基于模糊聚类的储粮害虫图像分割算法实验结果如图1.2所示.

从实验结果可知,模糊C-均值聚类分割算法效果较好,但算法执行时间较长.可进行图像分割的算法不止一种,不论采用哪种方法进行图像分割,目的都只有一个就是使分割效果更好,但任何一种方法都不能在理论上给予保证.所以,在应用中要结合实际情况,选择适当的算法才能使分割结果令人满意.

3.结语

粮虫图像分割是粮虫在线检测的关键部分.对于目标较小的粮虫数字图像,基于模糊C-均值聚类算法的图像分割得到的结果令人满意,为进一步准确提取粮虫特征和分类识别奠定了良好基础.