聚類分析在圖像區(qū)域分割中的應(yīng)用研究.pdf

1、圖像分割就是指把圖像分解成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程,它是由圖像處理到圖像分析的一個關(guān)鍵步驟,在圖像工程中占有非常重要的位置,已在諸如計算機視覺、模式識別和醫(yī)學(xué)圖像處理等實踐中得到了廣泛的應(yīng)用。
　　傳統(tǒng)的閥值法在圖像區(qū)域分割中具有非常重要的作用,但存在著不少問題,對于存在噪聲干擾或要進(jìn)行多區(qū)域分割的圖像,閥值法很難得到理想的分割結(jié)果。而聚類算法是一類無監(jiān)督的學(xué)習(xí)方法,它能夠在缺少先驗知識的情況下,把沒有類別標(biāo)記

2、的樣本集按某種準(zhǔn)則劃分成若干類,使類內(nèi)樣本的相似性盡可能大,而類間樣本的相似性盡量小,從而完成數(shù)據(jù)集的聚合。該思路與圖像分割的思想是一致的,因此,聚類算法在圖像分割中得到了十分廣泛的應(yīng)用。
　　本文針對圖像多區(qū)域分割,討論使用K-means、FCM與高斯混合模型進(jìn)行圖像分割的具體算法與步驟,并給出相應(yīng)的實驗與分析。對高斯混合模型,引入了數(shù)據(jù)簡約技術(shù),實驗表明,通過合理的數(shù)據(jù)簡約對分割算法的整體時間效率有較大提高。
　　針對傳

3、統(tǒng)劃分式聚類分割算法的一些不足之處,提出一類基于圖像分塊與邊界區(qū)域檢測的快速聚類分割方法。該方法首先構(gòu)造一類更有效的二維特征作為圖像聚類中的樣本特征,然后使用圖像分塊與邊界檢測技術(shù)實現(xiàn)聚類中心的初始化,進(jìn)而使用有效的初始聚類中心對原圖像進(jìn)行聚類分割。通過實驗仿真及算法有效性分析,該方法的整體性能較經(jīng)典FCM聚類分割及基于灰度-均值二維特征FCM聚類分割方法有了較大的提高。
　　紋理圖像分割是圖像分割技術(shù)領(lǐng)域的難點之一,本文針對部分

4、特殊的半紋理圖像,首先詳細(xì)討論了紋理分析的分形方法,分形方法是紋理分割、分類中使用最多的經(jīng)典方法之一,針對DBC差分盒模型,通過對Brodatz紋理庫中紋理圖像的分析,結(jié)合灰度圖像聚類分割的方法,提出一種滿足半紋理特性圖像的區(qū)域分割方法,通過大量實驗表明,該方法在某些特定圖像上可取得較好的分割效果。
　　在聚類算法中影響聚類精度與效率的一個關(guān)鍵問題是初始聚類參數(shù)的選擇。對此,本文首先詳細(xì)討論聚類數(shù)的選取方法,通過實驗比較了部分有效