一种用于鲁棒图像分割的割集型核可能性模糊C均值方法

《Frontiers in Artificial Intelligence》：A cutset-type kernel possibilistic fuzzy c-means method for robust image segmentation

　　

背景：当非线性类别重叠与稀疏噪声污染同时存在时，轻量级无监督聚类的鲁棒图像分割仍然具有挑战性。传统模糊C均值（FCM）基于欧氏原型假设，在非凸结构、强背景干扰、局部破坏与边界弱化场景下易受影响；可能性聚类虽可降低离群点对中心估计的牵引，但若缺少跨类抑制，异常像素仍可能对多个聚类中心产生影响。为此，研究人员提出并评估割集型核可能性模糊C均值（C-KPFCM）方法，将高斯核（Gaussian kernel）距离建模与基于割集（cutset）的可能性典型度（typicality）校正相结合，以同时应对非线性几何与污染控制问题。

方法：研究人员构建了C-KPFCM目标函数，将核化距离度量与可能性典型度更新耦合，并在典型度更新后引入割集规则，对“非获胜”典型度进行抑制。实验在三个重构复杂背景合成图像（CAO、GU、WEI）及扩展的90实例扰动基准上进行，并与FCM、PFCM、KPFCM、C-PFCM及K-means比较，同时加入噪声敏感性、参数敏感性、重复运行稳定性、运行时间和真实图像试验（Oxford-IIIT Pet、Weizmann）以检验方法边界。

结果：C-KPFCM在三个合成案例上平均分割准确率（SA）最高，且在CAO与GU上取得最佳结果；但与C-PFCM相比优势很小，且在精确符号检验中不具统计可靠性。扩展90实例扰动测试表明，C-KPFCM显著优于K-means、PFCM和KPFCM，但整体并不优于C-PFCM。进一步分析显示，割集校正是主要鲁棒机制，而核化仅在预期存在非线性几何时才可能构成有条件补充。

结论：该研究表明，C-KPFCM适用于非线性重叠、局部稀疏污染与复杂背景干扰并存的经典无监督分割场景；其中，割集校正贡献了主要鲁棒性增益，核化的增益依赖扰动类型且并非稳定显著。真实图像试验未能证明其对通用自然图像前景—背景分割的普遍优越性，因此其适用范围更应限定为可控扰动条件下的轻量级、可复现聚类分割任务。

本文围绕鲁棒图像分割中的一个核心问题展开：在轻量级无监督聚类框架下，如何同时应对非线性类别重叠、稀疏噪声污染和复杂背景干扰。图像分割是工业检测、遥感解译、生物医学图像分析和机器视觉预处理中的基础步骤，但在实际应用中常伴随弱边界、背景杂波、传感器噪声以及标注数据不足等困难。尽管大型监督式和基础模型式分割方法已显著提升语义分割性能，经典无监督聚类方法仍因其计算开销低、结果可解释、易复现实验而具有现实价值，尤其适用于训练资源有限或部署需要透明性的场景。

传统FCM通过模糊隶属度刻画边界不确定性，但其欧氏距离和中心原型假设在非线性、非凸或受污染图像中较弱。为增强鲁棒性，已有研究从距离度量、局部邻域约束、稀疏正则化、核方法和可能性典型度等方向扩展模糊聚类。然而，这些改进往往分别侧重“表示几何”或“噪声抑制”，并未清晰区分两类机制在图像分割中的作用。本文正是在这一背景下提出C-KPFCM：用高斯核改变距离几何，用割集规则压制非获胜典型度，进而检验核化与割集校正各自的贡献。

研究人员的核心结论是：割集校正是观察到的主要鲁棒性来源，核化只是条件性补充。三组重构复杂背景合成案例和扩展的90实例扰动测试共同表明，C-KPFCM相较K-means、PFCM与KPFCM更稳健，但其相对C-PFCM的增益并不稳定；在真实图像试验中，合成数据上的优势也未自然迁移。该结论的重要意义在于，它没有把核化包装为必然优势，而是明确了经典无监督分割方法的适用边界：当非线性几何是主要困难时，核项可能有价值；当局部污染才是主导因素时，割集校正已足够关键。

方法上，研究人员主要采用了四类技术手段：一是构建核化可能性模糊C均值（KPFCM）目标函数，并以高斯核进行隐式特征空间距离建模；二是引入割集型典型度校正，用阈值β抑制非获胜典型度；三是在合成复杂背景图像、扩展扰动基准以及真实图像子集上进行对照实验；四是使用分割准确率（SA）、Dice和交并比（IoU）及精确符号检验评价性能。真实图像数据来自Oxford-IIIT Pet官方发布集，以及Weizmann单目标分割数据库的可恢复样本。

### 研究结果

#### 4.1 Main quantitative comparison
在CAO、GU、WEI三组重构复杂背景图像上，C-KPFCM在CAO与GU取得最高SA，WEI上略低于C-PFCM，但总体平均SA最高。结果说明，核化与割集校正结合后能在部分非线性结构场景中进一步提升分割表现，但优势幅度较小。

#### 4.2 Expanded reviewer-requested stress benchmark
在扩展到90个实例、覆盖清洁、Gaussian噪声、Impulse噪声、Speckle噪声、混合噪声以及纹理+遮挡扰动后，C-KPFCM仍明显优于K-means、PFCM和KPFCM，但平均表现略低于C-PFCM。该结果表明，当扰动空间更广时，割集-only机制更稳定，核化并非普适增益。

#### 4.3 Ablation and qualitative comparison
消融对比进一步证明，真正决定鲁棒性的不是核项本身，而是割集校正对非获胜典型度的抑制。可视化结果也显示，C-KPFCM能减少部分杂波与碎片化响应，但并未在所有情形下压倒C-PFCM。

#### 4.4 Noise robustness and compound disturbances
在Gaussian噪声、椒盐噪声及复合扰动下，C-KPFCM表现出较好的稳定性，尤其在稀疏、局部污染下更有效；但其优势依赖扰动类型，并非对所有复合干扰都占优。这说明核项更适合与非线性几何相关的场景，而不是作为默认提升。

#### 4.5 Parameter sensitivity and repeated-run stability
参数分析显示，β是最关键的鲁棒控制参数，β=0.5时效果最好；核宽σ需要结合特征归一化选择；模糊化指数m在较宽范围内较稳定。重复运行结果表明，C-KPFCM平均精度较高，但标准差也提示其相较C-PFCM并无稳定压倒性优势。

#### 4.6 Real-image validation
在Oxford-IIIT Pet和Weizmann真实图像试验中，C-KPFCM未显示出对K-means、FCM或C-PFCM的普遍优势。尤其在自然纹理背景和前景—背景二分类中，简单的颜色—空间聚类方法反而更强。这一结果明确限定了方法适用边界：C-KPFCM更适合受控扰动下的经典聚类分割，而非通用自然图像分割的强基线。

### 讨论与结论
论文讨论部分的核心观点是三点。第一，割集校正确实是合成基准和扩展扰动基准中的主要增益来源，C-PFCM与C-KPFCM都显著优于KPFCM，说明“抑制非获胜典型度”比单纯核化更关键。第二，核化只是在特定条件下有价值：在三组重构合成案例中它带来轻微增益，但该增益不足以通过可靠性检验；在扩展扰动测试中，它甚至略弱于C-PFCM。第三，方法存在明确边界条件，真实图像试验未支持其普遍优越性，因此不应将其表述为广义自然图像分割方案。

总体而言，本文提出的C-KPFCM是一种面向非线性重叠与稀疏污染的轻量级无监督鲁棒分割方法。其科学价值不在于“全面超越”，而在于通过严格消融与扩展验证，明确了割集校正与核化各自的作用边界：前者是主导机制，后者是条件补充。