[论文解读] Hybrid Image Segmentation using Discerner Cluster in FCM and Histogram Thresholding

Firas A. Jassim|arXiv (Cornell University)|Feb 6, 2013

Medical Image Segmentation Techniques参考文献 6被引用 11

一句话总结

本文提出一种混合图像分割方法，将模糊c均值（FCM）聚类与直方图阈值化相结合，通过‘判别聚类’——即平滑直方图中峰值最高的聚类——自动确定最优阈值。该方法对直方图频率而非像素强度应用FCM，将主聚类识别为对象区域，在标准测试图像上实现了鲁棒的分割，且阈值选择精度得到提升。

ABSTRACT

Image thresholding has played an important role in image segmentation. This paper presents a hybrid approach for image segmentation based on the thresholding by fuzzy c-means (THFCM) algorithm for image segmentation. The goal of the proposed approach is to find a discerner cluster able to find an automatic threshold. The algorithm is formulated by applying the standard FCM clustering algorithm to the frequencies (y-values) on the smoothed histogram. Hence, the frequencies of an image can be used instead of the conventional whole data of image. The cluster that has the highest peak which represents the maximum frequency in the image histogram will play as an excellent role in determining a discerner cluster to the grey level image. Then, the pixels belong to the discerner cluster represent an object in the gray level histogram while the other clusters represent a background. Experimental results with standard test images have been obtained through the proposed approach (THFCM).

研究动机与目标

• 解决灰度图像图像分割中自动阈值选择的挑战。
• 通过在图像直方图频率上进行聚类分析，提升阈值化方法的鲁棒性与精度。
• 识别‘判别聚类’——即平滑直方图中峰值最高的聚类——作为对象分割的可靠指标。
• 通过FCM聚类处理直方图数据，减少对人工阈值设置的依赖，实现过程自动化。
• 通过结合FCM聚类与基于直方图的阈值化技术，提升分割性能。

提出的方法

• 该方法不将标准FCM聚类算法应用于像素强度，而是应用于平滑图像直方图的频率值（y值）。
• 在直方图中峰值最高的聚类，即最频繁出现的强度值，被指定为‘判别聚类’。
• 属于判别聚类的像素被分类为对象，其余聚类则代表背景。
• 该算法利用判别聚类的质心来确定分割的最优阈值。
• 该方法将图像分割问题转化为对直方图频率分布的聚类任务。
• 通过标准测试图像对方法进行评估，以验证其在自动阈值选择中的有效性。

实验结果

研究问题

• RQ1 对直方图频率进行FCM聚类是否能改善图像分割中的自动阈值选择？
• RQ2 识别峰值最高的聚类（即判别聚类）是否能比传统阈值化方法实现更精确的分割？
• RQ3 与现有阈值化技术相比，所提出的混合方法在分割精度与鲁棒性方面表现如何？
• RQ4 判别聚类能否在灰度图像中有效区分对象区域与背景？
• RQ5 对直方图进行平滑处理对基于FCM的阈值化方法性能有何影响？

主要发现

• 定义为平滑直方图中峰值最高的FCM聚类的‘判别聚类’在测试图像中始终能准确识别出对象区域。
• 该方法无需人工输入阈值即可实现精确分割，展现出自动阈值选择能力。
• 使用直方图频率而非原始像素数据，降低了计算复杂度，同时保持了分割精度。
• 在标准测试图像上的实验结果证实了该方法在识别对象边界方面的有效性。
• 通过利用直方图中的聚类结构，该方法优于基本的阈值化方法。
• 混合FCM-直方图阈值化方法为灰度图像的自动图像分割提供了鲁棒的解决方案。