基于k均值聚類分割的植物切片特征區(qū)域分割方法研究.pdf

1、生命信息科學(xué)的不斷發(fā)展，對信息源的要求越來越高。在植物切片的分析研究中，常常需要對圖像中各個不同特征的子區(qū)域進行詳細研究。這就需要對切片的各個不同特征的子區(qū)域進行按類分割，然后對各個子區(qū)域分別進行特征描述。
　　傳統(tǒng)的聚類分割方法，主要集中在圖像的紋理特征或灰度上，對圖像信息量的使用比較不充分，在植物切片的特征區(qū)域分割上很難取得理想效果。本文針對植物切片的豐富的顏色特征和細致的紋理結(jié)構(gòu)，基于k-mean，融合顏色、空間坐標以及紋理

2、特性的多維信息，研究不同特征區(qū)域間的聚類分割方法。主要工作如下：
　?。?）對本論文涉及的植物切片圖像，采用目前主要的圖像分割技術(shù)進行分割試驗，通過試驗結(jié)果分析各種方法的優(yōu)缺點，指出這些方法對植物切片特征區(qū)域分割所存在的困難。
　?。?）深入研究了Mean Shift和k-means聚類分割方法。通過大量試驗、分析和比較，指出Mean Shift算法在聚類過程中所具有的良好自適應(yīng)性，但其核函數(shù)的帶寬在某種意義上限制了這種自適

3、應(yīng)性。k-means算法原理簡單、聚類效果好，在初始化聚類中心時比較靈活，但也因此會導(dǎo)致聚類工作量變大。圖像特征的選定與提取在這里成為關(guān)鍵，不同特征帶來不一樣的分割效果，也影響聚類工作量的大小。
　?。?）針對本論文涉及的植物切片圖像特點—豐富的顏色特征和細致的紋理結(jié)構(gòu)，研究建立了基于紋理和顏色組合特征的區(qū)域分割方法。首先，建立了基于顏色、空間坐標和紋理特征的組合特征向量。為提高k-means算法效率，對特征向量進行降維、并設(shè)計了