Journal of IKEEE (전기전자학회논문지)

  • 제24권1호
  • /
  • Pages.127-131
  • /
  • 2020
  • /
  • 1226-7244(pISSN)
  • /
  • 2288-243X(eISSN)
Institute of Korean Electrical and Electronics Engineers (한국전기전자학회)
권호 표지
DOI QR코드

DOI QR Code

Improved FCM Clustering Image Segmentation

개선된 FCM 클러스터링 영상 분할

  • 투고 : 2020.03.03
  • 심사 : 2020.03.18
  • 발행 : 2020.03.31
Download PDF
⟨ Previous Next ⟩

초록

Fuzzy C-Means(FCM) algorithm is frequently used as a representative image segmentation method using clustering. FCM divides the image space into cluster regions with similar pixel values, which requires a lot of segmentation time. In particular, the processing speed problem for analyzing various patterns of the current users of the web is more important. To solve this speed problem, this paper proposes an improved FCM (Improved FCM : IFCM) algorithm for segmenting the image into the Otsu threshold and FCM. In the proposed method, the threshold that maximizes the variance between classes of Otsu is determined, applied to the FCM, and the image is segmented. Experiments show that IFCM improves performance by shortening image segmentation time compared to conventional FCM.

클러스터링을 이용한 대표적인 영상 분할 방법으로 Fuzzy C-Means(FCM) 알고리즘을 많이 사용하는데, FCM은 영상의 공간을 픽셀 값이 비슷한 클러스터 영역으로 분할하므로 분할 시간이 많이 소요된다. 특히 웹이 보편화된 현재 사용자들의 다양한 패턴을 분석하기 위한 처리 속도 문제는 더욱 중요하다. 이러한 속도 문제를 해결하기 위해 본 논문에서는 Otsu의 영상 히스토그램의 임계값과 FCM으로 영상을 분할하는 개선된 FCM(Improved FCM : IFCM) 알고리즘을 제안한다. 제안방법은 Otsu의 클래스 간의 분산을 최대화 시키는 임계값을 결정하여 FCM에 적용하고 영상을 분할하였다. IFCM은 기존의 FCM에 비해 영상 분할 시간을 단축시켜 성능이 향상되었음을 실험을 통해 보인다.

키워드

참고문헌

  1. W. Y. Ma and B. S. Manjunath, "Edge Flow: A Framework of boundary detection and image segmentation," Proc, Of CVPR, pp.744-749, 1997.
  2. V. Boskovitz, H. Guterman, "An adaptive neurofuzzy system for automaticy image segmentation and edge detection," IEEE Trans. Fuzzy Syst. Vol.10, No.2 pp.247-262, 2002. DOI: 10.1109/91.995125
  3. D. L. Pham and J. L. Prince, "An adaptive fuzzy c-means algorithm for image segmentation in the presence of intensity in homogeneities," Pattern Recognition. Lett. Vol.20, No.1, pp.57-68, 1999. DOI: 10.1016/S0167-8655(98)00121-4
  4. W. J. Chen, M. L. Giger, and U. Bick, "A fuzzy c-means (FCM)-based approach for computerized segmentation of breast lesions in dynamic contrast enhanced MRI images," Acad. Radiol, Vol.13, pp.63-72, 2006. DOI: 10.1016/j.acra.2005.08.035
  5. J. M. Gorriz, J. Ramirez, E. W. Lang, and C. G. Puntonet, "Hard cmeans clustering for voice activity detection," Speech Commun, Vol.48, pp. 1638-1649, 2006. DOI: 10.1016/j.specom.2006.07.006
  6. A. K. Jain, P. W. Duin, and J. Mao, "Statistical pattern recognition: a review," IEEE Trans. on Pattern Anal. Mach. Intell., Vol.22, No.1, pp.4-37, 2000. DOI: 10.1109/34.824819
  7. J. C. Bezdek, "Pattern recognition with fuzzy objective function algorithms," New York, Plenum, 1981. DOI: 10.5555/539444
  8. H. J. Zimmermann, "Fuzzy Set Theory and Its Applications, Kluwer Academic," Publishers, Boston, 2001. DOI: 10.1007/978-94-010-0646-0
  9. Carl R. O. Duda, P. E. Hart, and D. G. Stork, "Pattern Classification(2nd edition)," Wiley-Interscience, New York, 2000.
  10. K. S. Deshmukh, G. N. Shinde, "An adaptive color image segmentation," Electron. Lett. Comput. Vis. Image Anal. Vol.5, No.4, pp.12-23, 2005. DOI: 10.5565/rev/elcvia.115