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。

参考文献

[1]黑龙江省大豆协会.我国粮食储藏的现况及发展趋势.http：//.cn/news/index.php？id=1163.

[2]J C Bezdek.Pattern recognition with fuzzy objective function algorithms[M].New York：Plenum，1981.

[3]刘晓龙.基于模糊聚类图像分割方法研究[D].安徽合肥：合肥工业大学，2006：8-18.