摘  要： 提出了一種改進(jìn)的FCM方法,，通過直方圖峰值初始化,，并提出區(qū)域相似性度量方式，對(duì)過分割區(qū)域進(jìn)行合并,，克服了FCM算法對(duì)初始值敏感的問題,。另外,通過將地形圖映射到Lab空間，將該方法推廣到彩色地形圖分割,。實(shí)驗(yàn)表明，該算法能自適應(yīng)選取初值,，相比于FGFCM,，對(duì)地形圖分割能取得更好的分割效果。
關(guān)鍵詞： 地形圖分割,；FCM算法,；直方圖初始化；Lab空間

    分色根據(jù)地圖顏色特征進(jìn)行地圖要素的分離,，是地圖要素提取和識(shí)別的第一步也是至關(guān)重要的一步,，分色算法的好壞通常決定了提取和識(shí)別成功與否。四色地形圖是地形圖中最普通的一種,，顏色要素為藍(lán),、綠、棕,、黑,，白色為底色，不同顏色表示不同類別,。KHOTANZAD A[1]提出彩色地形圖分色有以下難點(diǎn)：(1)掃描儀點(diǎn)擴(kuò)散函數(shù)導(dǎo)致顏色混淆;(2)地形圖要素空間毗鄰;(3)掃描儀RGB值不匹配導(dǎo)致假彩色;(4)線性特征的交叉和覆蓋,。除此之外,，還有紙質(zhì)地圖本身印刷錯(cuò)誤以及油墨自身的影響。這些原因使得掃描成像后的彩色地圖會(huì)出現(xiàn)成千上萬種不同的顏色,人眼可以模糊這些顏色中的細(xì)微差別,，輕松地完成地形圖的判讀,，但卻給計(jì)算機(jī)正確識(shí)別帶來很大的困難。
    FCM是有較高準(zhǔn)確度的一種聚類算法[2],廣泛用于圖像分割中,，但其對(duì)噪聲敏感,，計(jì)算速度慢，對(duì)于含噪,、數(shù)據(jù)量很大的地形圖分割有很大的局限,。許多研究在FCM抗噪性上作了改進(jìn)，通過引入圖像鄰域信息,，參考文獻(xiàn)[3-4]分別提出了對(duì)噪聲魯棒的FCM算法：FCM_S和FCM_S1/S2,。這幾種算法對(duì)噪聲魯棒，但會(huì)嚴(yán)重?fù)p失圖像的點(diǎn),、線的細(xì)節(jié),，導(dǎo)致等高線粘連、斷裂和地形圖符號(hào)信息丟失,這些細(xì)節(jié)的丟失對(duì)于后期地形圖的識(shí)別非常不利,。參考文獻(xiàn)[5-6]引入鄰域像素與中心像素灰度值的距離作為一個(gè)控制函數(shù),，自適應(yīng)控制鄰域像素對(duì)中心像素的影響程序，能在一定程序減少分割結(jié)果的模糊,，但對(duì)于點(diǎn)線細(xì)節(jié)豐富的地形圖分色,，依然會(huì)出現(xiàn)等高線的斷絕裂，大量點(diǎn)狀態(tài)信息的丟失,，影響分色效果,。
　    在計(jì)算速度方面，F(xiàn)CM_S和FCM_S1/S2計(jì)算速度依賴于圖像尺寸,，對(duì)于圖像尺寸很大的地形圖,，計(jì)算速度很慢。為此,，SZILAGY L等[7]將灰度圖投影到直方圖空間,，提出了一種快速FCM(FFCM)算法，其大大減少了數(shù)據(jù)量,，提高了計(jì)算速度,。CAI W等[8]提出FGFCM，這是一種快速魯棒的FCM處理框架,。該方法在快速計(jì)算方面繼承自FFCM,，將圖像像素空間投影到直方圖空間，減少了數(shù)據(jù)量，抗噪性能上同時(shí)考慮了空間鄰域和灰度鄰域相似,，相比于參考文獻(xiàn)[5-6]中的方法,，F(xiàn)GFCM不僅僅考慮了鄰域像素與中心像素的灰度值得距離，而且考慮了像素空間坐標(biāo)的距離,，提高了算法對(duì)噪聲的魯棒性,，提高了算法對(duì)噪聲的魯棒性,同時(shí)保留了更多的圖像細(xì)節(jié)。但是該方法建立在灰度直方圖的基礎(chǔ)上,，所以只適用于灰度圖像,，而且沒有考慮初始值的選取，對(duì)初始值很敏感,。
    對(duì)于彩色地形圖,，本文在FGFCM方法的基礎(chǔ)上進(jìn)行了改進(jìn)，考慮到地形圖的特殊性,，以四色為主,。計(jì)算機(jī)存儲(chǔ)的地形圖中由于地圖繪制本身和掃描過程中帶來的色散產(chǎn)生的多種顏色與4種主色調(diào)的顏色相似，因此,，將四色地形圖投影到合適的灰度空間中,，保證4種主色類間距離大，類內(nèi)距離小,，減少了數(shù)據(jù)量但不影響分割結(jié)果,。在初始值的選取上，用直方圖峰值進(jìn)行初值選擇,，避免陷入局部最優(yōu),。在聚類后，提出一種相似區(qū)域合并方式對(duì)分割后的結(jié)果進(jìn)行合并,，避免了過分割,。實(shí)驗(yàn)表明，該方法克服了初始值敏感問題,，而且在地形圖分割效果上更優(yōu)。


　    因此,，在彩色地形圖b分量中,，可以將圖像分為藍(lán)色水域、無色區(qū)和待分區(qū),，這3類類間距離大,，類內(nèi)距離小,；而待分區(qū)中包含了綠色和棕色兩種顏色要素,，再獲取待分區(qū)的a分量。在a分量中，綠色和棕色分散在無色區(qū)的兩側(cè),，有最大的類間距離,，可以很方便地分離綠色要素和棕色要素。
2.2 區(qū)域合并
     由于FGFCM沒有考慮初始值的選擇,，對(duì)初始值敏感,，容易陷入局部最優(yōu)，本文求取投影到a分量和b分量的地形圖直方圖,，對(duì)求得直方圖進(jìn)行平滑處理以減少假峰,，然后用直方圖峰值初始化FGFCM算法的初始中心，能很好地避免陷入局部最優(yōu),。但很顯然這樣得到的結(jié) 果會(huì)導(dǎo)致過度分割,，還需要進(jìn)一步合并處理。
　 由于地形圖主色調(diào)始終占大多數(shù),，邊界由于掃描儀點(diǎn)散函數(shù)導(dǎo)致大量過渡色的存在,，而這種過渡色在主色調(diào)中心變化，通過求取均值,，可以弱化過渡色的影響,。在上述分類結(jié)果的基礎(chǔ)上，對(duì)每一類取平均值,，然后將均值之間距離小于某個(gè)閾值的進(jìn)行合并,。
   

    從圖1可以看出，F(xiàn)GFCM算法在灰度圖下分割,，雖然對(duì)水域和植被區(qū)域分割效果比較好,，但是對(duì)于棕色區(qū)和無色區(qū)域不能很好分割;FGFCM在HSV空間對(duì)H分色，對(duì)于水域和植被的分割有明顯的噪聲,，而對(duì)于棕色區(qū)域和無色區(qū)域不能很好分割,；本文的方法對(duì)于水域、植被和棕色的等高線區(qū)域都能準(zhǔn)確分割出,。
    本文改進(jìn)了FGFCM框架對(duì)初始值敏感的問題,，并且通過選用合適的顏色空間將算法推廣到了四色地形圖分割中，取得了比較好的效果,。
參考文獻(xiàn)
[1] KHOTANZAD A, ZINK E. Contour line and geographic  feature extraction from USGS color topographical paper  maps[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003,25(1):18-31.
[2] 馮曉蒲,，張鐵峰. 四種聚類方法之比較[J]. 微型機(jī)與應(yīng)用，2010,29(16)：1-3.
[3] AHMED M N, YAMANY S M, MOHAMED N, et al. A   modified fuzzy c-means algorithm for bias field estimation  and segmentation of MRI data[J]. IEEE Transactions on  Medical Imaging, 2002,21(3):193-199.
[4] CHEN S, ZHANG D. Robust image segmentation using  FCM with spatial constraints based on new kernel-induced  distance measure[J].IEEE Transactions on Systems,Man, and  Cybernetics,Part B:Cybernetics, 2004,34(4):1907-1916.
[5] 王媛媛.合理利用空間信息的MRI腦部圖像分割[J].微型機(jī)與應(yīng)用,2011,30(19):31-34.
[6] 王黎明.自適應(yīng)加權(quán)空間信息的FCM醫(yī)學(xué)圖像分割[J].  微型機(jī)與應(yīng)用,2011,30(22):42-45.
[7] SZILAGYI L, BENYO Z, SZILANGYI S M, et al. MR  brain image segmentation using an enhanced fuzzy c-means  algorithm[C].Proceedings of the 25th Annual International Conference of the IEEE EMBS,2003,Cancun,Mexico, 2003.
[8] CAI W, CHEN S, ZHANG D. Fast and robust fuzzy c-means clustering algorithms incorporating local information  for image segmentation[J]. Pattern Recognition, 2007,40(3):825-838.