基于FCM聚类的彩色图像分割算法研究

论文摘要

图像分割是图像分析和模式识别的基础,同时也是图像处理的经典问题,即把图像中所有的像素点按照实际应用的需要将其分到特征相同或相似的类中。因为灰度图像所含有的信息量要比彩色图像所含有的信息量少的多,因此越来越多的研究人员从事对彩色图像分割算法的研究。聚类方法由于其自身的优越性在彩色图像分割中得到了很好的应用,利用其完成图像的分割,不仅仅简单方便、容易实现而且分割后图像也能达到理想效果。在现有的数据聚类算法中被广泛应用在图像分割中的聚类方法是模糊C均值（FCM）聚类算法,同时FCM聚类算法也是著名的聚类算法之一。虽然FCM聚类算法由于其身的优点得以广泛的应用在图像分割领域中,但是它仍然存在缺点,（1）目标函数收敛已陷入到局部极值;（2）初始聚类中心影响算法的收敛速度及分类效果;（3）聚类类数的多少需要在进行聚类前确定好;（4）算法的运算量非常大。由于FCM聚类在对数据进行分类处理时是利用迭代优化的方法,这也就使得聚类中心和隶属度矩阵在每一次的迭代中都要重新计算一遍,致使计算量非常大。而彩色图像本身就是一个大数据量的样本集,对这样的样本集利用FCM聚类分类以达到图像分割目的,势必会加大计算量和运算时间,因此想要在彩色图像分割领域中使模糊C均值聚类算法的达到广泛的应用,必须克服FCM聚类计算量大、运算耗时这一难题,但是目前为止还没有一种方法能很好的解决这一问题。本文在阅读了大量有关彩色图像分割方法和解决FCM聚类算法计算量大、耗时等问题的文献的基础上,分析以前的研究人员了在利用FCM聚类算法分割彩色图像采用的解决方法,以及这些方法各自存在的局限性和缺点,提出了一种基于分层减法聚类的快速FCM聚类算法（SKFCM）对彩色图像进行分割,同时利用Xie-Beni指标确定聚类类数。通过实验分析验证了该方法的有效性,本文提出的新方法由于对数据样本集进行了预处理减少了FCM聚类的样本数,从而使其运算速度有所提高,同时利用Xie-Beni指标来确定聚类类数。在图像分割效果不变的前提下,基于分层减法聚类的快速FCM聚类算法能有效克服FCM聚类算法的缺点。论文的主要工作如下:1、对常用的彩色空间进行研究,分析各个彩色空间的优缺点以及适用范围,为以后的彩色图像分割所应用的彩色空间的选取做好准备。2、对当今主流的彩色图像分割算法进行分类、分析、归纳和总结,着重对模糊C均值聚类算法进行研究,分析其优缺点。3、针对FCM算法中存在的计算量大、耗时速度慢的问题,将分层减法聚类引入到FCM中。先对数据集进行分层减法聚类得到np个色彩相似的子集,由于np远小于数据样本大小n,将极大地提高FCM的运算速度。同时可以用减法聚类得到的中心作为FCM聚类算法的初始中心,减少随机选择的初始聚类中心对聚类性能的影响。4、针对FCM算法中聚类数目事先确定的缺点,通过计算考虑数据点紧密度-分离度的Xie-Beni指标,对聚类的有效性进行分析,以得到最佳的聚类数目,能达到无人工干预自动分割图像的要求。5、通过对大量图片的分割仿真实验,分析本文提出的分割算法（SKFCM）的优势以及存在的问题。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 图像分割的意义及定义
• 1.1.1 图像分割的研究意义
• 1.1.2 图像分割的数学定义
• 1.2 论文选题的研究意义
• 1.3 本文的主要工作及内容安排
• 第2章 彩色空间研究
• 2.1 常用彩色空间
• 2.1.1 RGB 彩色空间
• 2.1.2 由RGB 线性变换得到的空间
• 2.1.3 标准化的 RGB 彩色空间
• 2.1.4 HSI 彩色空间
• 2.1.5 非线性变换的 CIE 彩色空间
• 2.2 彩色空间的比较
• 第3章 彩色图像分割方法
• 3.1 基于阈值的分割方法
• 3.1.1 直方图阈值法
• 3.1.2 颜色聚类方法
• 3.1.3 区域生长、区域合并分裂及其组合
• 3.2 基于边缘的分割技术
• 3.2.1 基于边缘检测的分割方法
• 3.2.2 分水岭分割方法
• 3.3 基于特定理论工具的分割技术
• 3.3.1 基于小波变换的分割方法
• 3.3.2 基于 Markov 随机场的分割方法
• 3.3.3 基于神经网络的分割方法
• 第4章 基于分层减法聚类的快速 FCM 聚类算法
• 4.1 模糊 C 均值聚类（FCM）算法
• 4.1.1 FCM 算法原理
• 4.1.2 基于 FCM 聚类算法的彩色图像分割步骤
• 4.1.3 基于 FCM 聚类的图像分割算法分析
• 4.2 分层减法聚类
• 4.3 基于分层减法聚类的快速 FCM 算法（SKFCM）
• 4.4 聚类分割算法的评价标准
• 4.4.1 聚类有效性分析
• 4.4.2 划分系数和划分熵
• 第5章 实验结果及分析
• 5.1 实验结果及分析
• 5.2 本章小结
• 第6章 总结与展望
• 6.1 主要创新点与工作
• 6.2 研究展望
• 参考文献
• 致谢