兰 蓉，韩天玥

(西安邮电大学 通信与信息工程学院，陕西 西安 710121)

图像分割的目的是根据灰度、颜色或纹理等特征将图像划分成若干区域[1]，被广泛应用于图像压缩[2]、网络视频传输[3]、医学图像诊断[4]和目标跟踪[5]等领域的图像处理过程中。图像分割结果直接影响后续图像处理的效果。

图像分割一般通过提取图像特征并结合不同策略进行[6-8]。现有的图像分割方法通常通过采用多种提取方式以获得多维图像特征，例如，基于区域的彩色图像分割(Region-based Color Image Segmentation,RCIS)算法[9]、基于特征融合视觉显著性的图像分割算法[10]、基于多尺度颜色特征和小波纹理特征(Multiscale Color and Wavelet-based Textures,MCWT)的无监督火焰图像分割算法[11]等。这些算法同时考虑图像色彩和纹理特征，避免了传统算法将彩色图像转换为灰度图像时损失颜色及细节信息的问题，但是在分割精度上仍有待进一步提高。

影响彩色图像分割精度的因素，除了图像特征提取方式，还有图像的分割策略。文献[12]提出的抑制式模糊C-均值(Suppressed Fuzzy C-Means,SFCM)聚类是一种进行彩色图像分割的有效方式，但是，SFCM算法采用固定值0.5作为抑制因子，在一定程度上影响算法的适应性。事实上，在图像分割的过程中，若能够根据图像自身特性自适应地选取抑制因子值[13]，则会使得算法在保持分割精度的同时，还可以获得较快的收敛速度[14-16]。文献[17]给出抑制因子的柯西型指数选择公式，提升了收敛速度，但是，该算法对初始聚类中心较为敏感，在一定程度上影响算法运行效率。文献[18]结合像素空间信息，通过在聚类过程中动态设置抑制因子来提高分割精度，但该算法相比SFCM算法的运行速度有所减慢。……