基于聚类分析的图像分割方法研究

论文摘要

图像分割是实现视觉理解的基础,也是计算机视觉中的一个基本问题,并且在很多领域得到了应用。由于图像结构和内容不同,要实现快速通用的图像分割仍然是一个难题。图像分割的主要研究内容有：建立有效的分割模型,降低分割算法的复杂度,提高分割算法的抗噪性和通用性等。由于分割模型的不同,各种分割方法具有不同的优缺点。聚类分析是一种无监督分类法,它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。基于聚类分析的图像分割方法对样本空间的约束小,分割算法的通用性好。无论是灰度图像、彩色图像分还是纹理图像,都可以应用聚类分析方法完成分割。但是基于聚类分析的分割方法还不完善,主要因为聚类分析计算量大,存在极值问题和对噪声样本敏感。本文分析了图像分割的研究现状以及面临的主要问题,针对聚类算法用于图像分割的特点,着重进行了聚类算法及其用于图像分割的研究。通过对聚类算法的选择和改进,设计并实现了一种基于图像边沿的快速K均值聚类分割算法,该算法使用分裂聚类估计初始类均值以避免局部极值。实验结果表明了此算法可以自动,快速,准确地分割灰度图像和彩色图像。主要研究内容有：1.从计算时间和聚类效果两方面分析讨论了主要的聚类算法。首先回顾了聚类分析的基本原理,并对聚类中使用的各种相似度量进行了归纳和总结,指出了各类相似度量在聚类中的特点。然后说明了聚类方法的一般框架,对当前主要的聚类算法进行了具体地分析,并指出了各类方法在计算复杂度和分类准确性上的优缺点。最后指出,依据图像分割问题的应用背景,选择合适的聚类算法和最佳的相似度量,是设计出有效、可行的图像分割算法的有效途径之一。2.边沿是图像的重要特征。本文提出采样图像边沿作为聚类样本,这极大地压缩了样本量,进而加快了分割速度。因此研究了边沿检测的基本原理,并对主要的检测算子进行了实验分析,指出了各算子的优缺点。最后指出,对彩色图像使用欧式距离度量获得图像梯度的推广形式,使得各算子仍然适用。3.基于边沿检测技术和K均值聚类算法,提出了一种快速图像分割算法。首先,分析了K均值聚类及模糊C均值聚类在图像分割中存在的问题,并讨论了颜色空间的适用环境和对聚类结果的影响,着重介绍了本文聚类时所用的Lab空间。然后,为了提高图像分割的准确性和抗噪性,提出使用分裂聚类来估计初始类均值,并引入中值滤波预处理。聚类算法常会陷入局部极值而出现欠分割,对样本集进行分裂聚类,可以得到分散的初始划分,从而有利于避免划分重叠以及局部收敛。另一方面,通过中值滤波,每个样本取图像邻域的中间值,改善了样本空间的相似性度量。最后,给出了新算法的详细步骤,并进行了实验。实验证明,本文提出的算法是有效的,对于合成图像和自然图像都可以获得较好的分割结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 图像分割的研究现状
• 1.3 图像分割的研究意义
• 1.4 主要工作和创新点
• 第二章 聚类分析的基本原理
• 2.1 引言
• 2.2 聚类的基本概念
• 2.3 聚类的基本框架
• 2.4 主要的聚类算法
• 2.5 小结
• 第三章 图像的边沿检测原理
• 3.1 引言
• 3.2 单阈值检测法
• 3.3 双阈值检测法
• 3.4 实验结果与分析
• 3.5 小结
• 第四章 基于K均值聚类的快速图像分割算法
• 4.1 引言
• 4.2 FCM聚类分割存在的问题
• 4.3 图像的特征空间
• 4.4 分割算法的框架
• 4.5 图像分割的评价方法
• 4.6 实验结果与分析
• 4.7 小结
• 第五章 总结与展望
• 5.1 论文工作总结
• 5.2 未来工作展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 学位论文评阅及答辩情况表