基于自适应模糊聚类分析的图像分割算法研究

论文摘要

图像分割是数字图像处理研究的重要领域,也是其研究的热点问题之一。图像分割是把图像分割成各具意义的区域,它对于图像特征提取、图像分析与描述、图像识别等具有重要意义。目前,有许多种图像分割方法,本文提出了两种基于自适应模糊聚类的图像分割算法。聚类分析是一种无监督分类法,通过归类相似性质的样本实现分类。在缺少先验知识时,图像分割可以通过聚类分析完成。因此,早在1979年Coleman和Anderews就提出用聚类分析的算法进行图像分割。本文讨论和分析了图像分割的研究现状,传统分割方法及其优缺点；针对聚类分析算法的特点进行了分析,着重研究了聚类算法及其在图像分割中的应用；在研究模糊C均值算法和均值漂移算法的基础上提出了两种自适应的图像分割算法。(1)传统的模糊C均值聚类算法对初始值敏感,不良的初始值会导致算法的收敛速度过慢和收敛到局部极值。针对这些不足,本文将遗传算法引入到FCM算法中,提出了一种自适应初始值的FCM图像分割算法。利用遗传算法强大通用性,较好地解决了FCM算法对初始化敏感的问题,又能在一定程度上提高了图像分割的速度,获得了较好的分割结果。(2)均值漂移算法是一种统计迭代的核密度估计方法,用于图像分割时不需要任何先验知识,近年来在图像分割领域得到广泛的应用。但是均值漂移算法中带宽的选择对算法性能有较大的影响,采用固定带宽,如果带宽选择过大,可能会合并某些极值点。因此本文提出了一种自适应带宽的均值漂移图像分割算法,获得了高质量的分割效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题的背景及意义
• 1.2 图像分割的基本概念
• 1.3 图像分割的研究现状
• 1.4 图像分割算法
• 1.4.1 基于阈值分割的方法
• 1.4.2 基于边缘检测的方法
• 1.4.3 基于区域分割的方法
• 1.4.4 其他图像分割方法
• 1.5 本文的主要内容及章节安排
• 第2章 聚类分析方法
• 2.1 聚类算法的基本概念
• 2.2 聚类分析的基本方法
• 2.3 具有代表性的聚类分析方法
• 2.3.1 基于划分的方法
• 2.3.2 基于层次的方法
• 2.3.3 其他方法
• 第3章 改进的自适应模糊C均值图像分割算法研究
• 3.1 引言
• 3.2 模糊C均值算法
• 3.3 基于改进的自适应模糊C均值图像分割算法实现
• 3.3.1 自适应算法的基本思想
• 3.3.2 基于自适应遗传算法的模糊C均值算法
• 3.3.3 算法的实现步骤
• 3.4 实验结果与分析
• 3.5 本章小结
• 第4章 自适应均值漂移的模糊聚类图像分割算法研究
• 4.1 引言
• 4.2 均值漂移算法的原理
• 4.2.1 基本的均值漂移算法
• 4.3 基于自适应均值漂移的模糊聚类图像分割算法实现
• 4.3.1 算法的基本思想
• 4.3.2 算法的实现步骤
• 4.4 实验结果与分析
• 4.5 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 工作展望
• 致谢
• 参考文献