融合FCM和Graph Cut的圖像分割方法研究與應(yīng)用.pdf

1、圖像是人類獲取信息的重要途徑。圖像分割是將一幅圖像分成各具特性的區(qū)域并提取目標(biāo)的技術(shù)，是圖像處理過程中的關(guān)鍵技術(shù)之一，也是難題之一。因此，研究有效的圖像分割技術(shù)就顯得尤為重要。
　　本論文針對(duì)農(nóng)業(yè)應(yīng)用領(lǐng)域的圖像進(jìn)行分割。目的是更好地了解昆蟲的特性，有助于農(nóng)業(yè)的發(fā)展。針對(duì)此類圖像前背景顏色相近，模糊度較大，本文提出了FCM和GraphCut的圖像分割算法，有效的解決此類圖片的分割問題，為進(jìn)一步進(jìn)行圖像分析提供了可能性。
　　本

2、文對(duì)FCM（FuzzyC-Means,FCM）算法和圖論分割算法進(jìn)行了深入細(xì)致的研究和分析，取得了如下成果：
　　1．針對(duì)昆蟲類圖片的本身的復(fù)雜性和不確定性，本文應(yīng)用了模糊聚類算法，確定未進(jìn)行標(biāo)識(shí)像素的歸屬問題。首先對(duì)FCM算法進(jìn)行了詳細(xì)的分析并指出此算法的適用范圍，討論對(duì)初始類心的選擇、隸屬度的確定存在的問題并作了細(xì)致的分析，通過實(shí)驗(yàn)證明由于初始類心的選擇、聚類數(shù)目和隸屬度的確定不同，則產(chǎn)生不同的分割結(jié)果，指出其中存在的不確定性

3、。
　　2．傳統(tǒng)的圖論分割算法以像素點(diǎn)作為節(jié)點(diǎn)構(gòu)造加權(quán)圖，大大影響了算法效率，因此，本文在分析原分水嶺(Watershed)算法的基礎(chǔ)上，提出了一種改進(jìn)的Watershed方法對(duì)圖像進(jìn)行預(yù)分割。該方法分析了原始圖像復(fù)雜性的特點(diǎn)，對(duì)原始圖像進(jìn)行平滑處理，以邊緣像素與非邊緣像素之間的距離作為約束，重構(gòu)梯度圖，利用Watershed變換進(jìn)行預(yù)分割，有效的減少了分水嶺變換后的區(qū)域個(gè)數(shù)。
　　3、為了快速而準(zhǔn)確的分割出圖像的目標(biāo)事物，