基于模糊理论的图像分割算法的研究

论文摘要

图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,它是图像分析和模式识别系统的重要组成部分,并决定图像的最终分析质量和模式识别的判别结果,它将图像分成各具特征的区域并提取出感兴趣的目标。近年来,许多学者根据一些新的数学理论提出了很多图像分割方法,比如:阈值分割法,边缘检测法,区域生长法,神经网络法,模糊聚类法等等。模糊C均值聚类算法作为应用最广泛的基于模糊理论的图像分割算法已经成功地应用于社会中的很多领域,比如:大气学,地理学,医学图像,目标识别等等。本文首先提出一种基于二维相似度的FCM图像分割算法。传统FCM算法容易陷入局部最优。该算法在模糊聚类前,根据模糊聚类的相似性和一致性原则,快速确定初始聚类中心,避免了聚类中的死点问题。由于传统FCM算法进行模糊聚类时仅利用了像素点与聚类中心在特征信息上的相似度,因此鲁棒性较差。该算法将目标函数中的距离定义为特征距离和自适应空间距离的不同权重之积,在进行模糊聚类时,同时利用像素点与聚类中心在特征信息和空间信息上的相似度,建立了包含邻域信息并带有隶属度约束函数惩罚项的新的聚类目标函数,实现图像的分割。在目标函数中引入惩罚函数,可以提高图像分割速度。该算法在进行像素点与聚类中心的相似度比较时,根据图像自身信息,自动选取每个像素点的邻域窗宽大小,同时提高了分割精度和鲁棒性。实验结果表明,该算法的分割精度较高,同时具有较强的鲁棒性。本文又提出一种基于模糊率的FCM自适应图像分割算法。该方法根据波谷波峰梯度检测法自动确定模糊聚类数目,然后利用模糊阈值法快速确定了较为准确的初始聚类中心,并将目标函数中的距离定义为特征距离和自适应空间距离的不同权重之和,建立包含特征信息和邻域信息的新的目标函数,实现图像的自动分割。实验结果表明,该算法的分割速度较快,分割精度较高,同时具有较强的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 图像分割的定义
• 1.2 图像分割方法
• 1.2.1 阈值法
• 1.2.2 边缘检测法
• 1.2.3 区域生长法
• 1.2.4 基于神经网络的分割方法
• 1.2.5 基于模糊理论的方法
• 1.3 论文选题的意义
• 1.4 论文的主要研究工作
• 2 基于模糊理论的图像分割技术研究概况
• 2.1 模糊理论基础
• 2.1.1 模糊理论的发展和现状
• 2.1.2 模糊集合及其运算
• 2.1.3 模糊集合的分解定理和表现定理
• 2.1.4 模糊关系
• 2.1.5 基于模糊等价矩阵的模糊聚类分析
• 2.2 基于模糊理论的图像分割技术研究概况
• 2.2.1 基于模糊理论的图像分割技术研究概况
• 2.2.2 模糊C-均值聚类图像分割算法
• 2.2.3 模糊阈值图像分割算法
• 2.3 本章小结
• 3 基于二维相似度的 FCM 图像分割算法
• 3.1 基于空间邻域信息的二维模糊聚类图像分割算法
• 3.1.1 确定初始聚类中心
• 3.1.2 2DFCM 算法原理及实现
• 3.2 基于竞争学习理论的FCM 图像分割算法
• 3.2.1 改进模糊分割的FCM 聚类算法IFP-FCM
• 3.2.2 竞争学习理论
• 3.2.3 基于竞争学习理论的FCM 图像分割算法
• 3.3 基于二维相似度的FCM 图像分割算法
• 3.3.1 相似度测度
• 3.3.2 初始聚类中心的选取
• 3.3.3 基于二维相似度的FCM 图像分割算法
• 3.3.4 实验与结果
• 3.4 本章小结
• 4 基于模糊率的 FCM 自适应图像分割算法
• 4.1 基于K-均值聚类的FCM 图像分割算法
• 4.1.1 K-均值聚类算法
• 4.1.2 基于K-均值聚类的FCM 图像分割算法
• 4.2 基于模糊率的FCM 自适应图像分割算法
• 4.2.1 模糊聚类数目的自动确定
• 4.2.2 初始聚类中心的确定
• 4.2.3 基于模糊率的FCM 自适应图像分割算法
• 4.2.4 实验结果与分析
• 4.3 本章小结
• 5 结论与展望
• 致谢
• 参考文献
• 附录