基于视觉显著性改进的水果图像模糊聚类分割算法

1、 基于视觉显著性改进的水果图像模糊聚类分割算法 张薇 王颖Summary视觉显著性在探索中不断地发展，是通过人类视觉注意机制从而对有限的认识资源加以分析和利用，提取出重要的信息。视觉显著性在计算机视觉问题中起着基础性的作用，通过对所见资源进行感知并加以分析，从而为后续的工作做准备图像分割是一种重要的图像分析技术，是对图像处理进行的重要过程，同时有利于对图像进行进一步的分析和理解。水果图像模糊聚类分割法中准确分割水果图像是采摘机器人实现视觉定位的关键技术，其基于视觉显著性的特征及作用，并融合不同方面的图像，从而形成一种新的认识方法。依据视觉显著性感知下的图像分析，对水果的聚类分割方法进行分析和研

2、究，从而提取出合适的特征，实现全方位视觉导航对水果图像进行准确地分割，在视觉显著性的基础上对模糊聚类算法加以运用，能使水果采摘技术通过视觉定位，从而解决水果图像中过分分割的问题，满足人们在水果分割中不断发展的需求。【Key】视觉显著性特征 水果图像 模糊聚类分割算法视觉显著性对于水果图像模糊聚类分割算法改进主要表现在其更好地描述果蔬图像的外形特征，从而提高识别系统的识别准确性。传统的模糊聚类分割算法在发展中不断出现新的问题，而在其中加入视觉的特性，融合新的技术，从而对于传统模式有一定的改进作用。基于目前国内水果发展情况来看，为了提高水果的工作效率，减低成本，对于自动化的模式加以运用的不断发展的

3、方向趋势。而在此模式上改进水果图像模糊聚类分割法是较为重要的，而将视觉显著想的特性融入其中，选择合适的图像分割手法，对传统模糊聚类分割算法的问题加以解决，从而在提高图像处理的水平的基础上提高水果的工作效率。针对传统模糊聚类分割法中出现对于水果分割率不准确的问题，结合视觉显著性，对于其有一定的改进作用。首先通过对水果模型的选取根据水果特性确定颜色模型，然后对模型进行不同程度的处理，在视觉显著性的特点基础上，形成图像聚类的空间，最后再将图像进行调整和改进，从而提供一种新的基础算法。1 视觉显著性与模糊聚类分割算法1.1 视觉显著性视觉显著性是在视觉模型的基础上，对图像基本特征进行分析和整理，将其融

4、入计算机发展中从而不断促进其应用范围的扩大。基于视觉的显著性特征对显著的区域进行分析有着较为重要的意义，能够对有限的资源进行分配，使计算机对于易于观察的区域优先进行分配，从而在此基础上不断探索和发展。在如今显著性检测一般分为两类，即自下而上基于数据驱动显著性区域突显和自上而下任务驱动型目标实现。视觉显著性中其基于不同果蔬的颜色模型及图像分割，从而使机器人实现全方位的视觉导航。在计算机领域，有关视觉显著性的研究在于提出模拟人类视觉注意机制的模型，基于不同方法下采用不同尺度的图像处理，把研究对象通过合适的方法从复杂的环境中提取出来，从而实现视觉定位。在计算机和机器人的视觉领域中，研究者对于视觉显著

5、性的作用越来越加以重视和探究，从而使视觉显著性技术在大量的视觉数据中确定出相关区域。近年来在此方面研究者提出来四种模型，即认识注意模型、决策论注意模型、频域分析注意模型、图论注意模型。这些模型己在计算机视觉中得到了成功的应用，并获得了较高的图像分割准确率，在发展中有着十分重要的现实意义。1.2 模糊聚类分割算法特征模糊聚类算法是通过在事物不同特性的基础上，建立一种模糊相近关系并运用分割算法进行分析。模糊聚类分析算法是一种多元的分析方法，对于水果图像的分析有着重要的作用。水果的形状及颜色都各有特色，具有不同的对比度特点。根据这些颜色模型将其从复杂的环境中分辨出来，使用水果图像模糊聚类算法不断完善

6、和发展。针对同一模糊相似物体的特性，不断确定模糊聚类有效的方法，解决传统模糊聚类分割算法中过分分割的现象。在进行模糊聚类分割算法时，每一个图像都有所对应的信息值，通过图像处理从而对这些数值进行一定的分析处理，实现图像的分割和聚类的扩散。在考虑分割效果的时候，要针对不同的类型及不同图像之间的对比，对各个影响因素进行断定和取舍，从而使算法更适合图像的分割技术。可以通过传统模糊聚类分割算法中的FCM聚类分割算法实现图像的分割，FCM算法是一种基于划分的聚类算法，其通过将同一种类的对象划分在一起，从而使此空间内相似度增加，在此基础上对物体进行分类和研究。模糊C均值算法是普通C均值算法的改进，普通C均值

7、算法是通过对数据进行硬性的划分，从而进行分析，而FCM是较柔性的模糊聚类分割算法。由此可以在此算法的基础上，针对图片的类型及精确度的处理，从而使得研究出合适的算法。2 视觉显著性对于水果图像模糊聚类分割算法的改进2.1 基于直方图的快速模糊聚类分割算法圖像模糊聚类分割方法为了改进传统的的算法方式，其中图像分割是进行图像分析和探究的重要前提。FCM算法建立在传统模糊集的基础上，对与复杂多变的数据算法难以得到满意的聚类结果。为了提高传统模糊聚类算法的运行速度，在FCM的基础上引入直方图，压缩图像聚类的空间，从而减少运算量。其中FCM算法的应用较为广泛，其具有直观和易于理解的特点。由于传统的模糊聚类

8、算法对于模型参数的选取有一定的局限性，而基于直方图的快速模糊聚类算法，提高了传统算法的准确性各实时性，其相对于传统的算法模式，对于图像的分割有较好的效果。直方图的模糊聚类分割算法将图像模糊聚类算法引入图像分割算法的研究中，从而得到图像模糊聚类分割算法，其在传统的基础上有所突破，并不断发展。2.2 改进的模拟退火粒子群算法在传统的模糊聚类分割算法中，其主要存在的问题在在对于聚类中心取值方面，其对于中心区域的取值较为敏感需不断探索和研究以找到新的适合的手段，将其中的问题加以解决。模拟退火粒子群算法是根据粒子进化后的适应值进行概率接受通过初始粒子群，每个粒子根据当前的路径在领域中产生一条新的路径，并不断更新自身找到最优的路径，使其算法具有较高的有效性。改进的模拟退火粒子群算法简单容易，能使粒子群更好算法更好地应用于离散领域，具有较高的使用价值。粒子群算法也存在一定的弊端，其若选择不恰当的方式，会使其算法向不利的方向发展。最优化的任务在电子工程、操作系统等领域的表现稳步上升，其源于退火过程，将固体加温，再冷却，使其排列趋于有序，在此过程中，通过退火过程的启发，是温度达到最低点时，获得最优解的概率较大，改进的模拟退火粒子算法降低了对初始解的依赖性，在一定程度上缩短了运行的时间，提高了算法的效率，具有