基于模糊聚类的图像分割算法研究

论文摘要

图像分割是图像分析、识别和理解的基础,是图像处理的一个极其重要的环节,同时也是图像处理技术中的难点。由于图像所具有的模糊性,近年来一些学者将模糊理论引入到图像处理中,应用模糊聚类进行图像分割。本文在研究模糊理论的基础上,对模糊聚类算法在图像分割中的应用进行了一定的研究。首先介绍了模糊理论的基本知识,在此基础上详细介绍了模糊C—均值聚类算法(FCM)。通过对其参数设定及收敛性的分析,分别利用山峰聚类算法和减法聚类算法对FCM进行初始化,重点提出了利用边缘信息的FCM初始化方法。通过实验仿真表明,算法能够得到有意义的分割类别数目和接近最优解的聚类原型初始值。在图像分割的具体实现上,针对不同类型的图像,提出了不同的模糊聚类分割方法。针对灰度图像,提出了基于粒子群(PSO)和加权模糊C—均值算法(WFCM)的灰度图像分割方法,该方法以利用了像素空间相关信息的二维直方图作为模糊C—均值算法的加权值,并利用粒子群优化算法求解模糊C—均值算法的最优解,不仅可以有效抑制噪声的影响,找到有效分割的聚类原型,并且能够提高算法收敛速度,提高实时性。针对于彩色图像的分割,由于其无法像灰度图像利用直方图加权以减少样本数目,因而研究了基于多层减法聚类的模糊C—均值算法,首先通过多层减法聚类将图像分成n_p个颜色相近的子集,再对这些子集进行FCM聚类,可以有效减少聚类样本数目,提高算法实现速度,实验表明算法具有良好的分割效果。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 图像分割概述
• 1.2 模糊聚类简介
• 1.3 模糊聚类在图像分割中的应用
• 1.4 论文结构安排
• 第2章 模糊理论与模糊聚类
• 2.1 模糊理论简介
• 2.2 模糊数学基础
• 2.2.1 模糊集合理论
• 2.2.2 模糊关系和模糊矩阵
• 2.3 模糊C-均值聚类
• 2.3.1 数据集的C划分
• 2.3.2 模糊C-均值聚类目标函数
• 2.3.3 模糊C-均值聚类算法
• 2.4 本章小结
• 第3章 模糊聚类初始化方法
• 3.1 山峰聚类初始化方法
• 3.1.1 山峰聚类算法
• 3.1.2 实验结果
• 3.2 减法聚类初始化方法
• 3.2.1 减法聚类算法
• 3.2.2 实验结果
• 3.3 利用图像边缘信息的初始化方法
• 3.3.1 边缘检测
• 3.3.2 边缘闭合
• 3.3.3 区域标记
• 3.3.4 实验结果
• 3.4 本章小结
• 第4章 基于PSO和加权FCM的灰度图像分割
• 4.1 粒子群优化算法（PSO）
• 4.1.1 算法基本原理
• 4.1.2 算法数学描述
• 4.1.3 参数分析
• 4.1.4 与其它进化计算的比较
• 4.2 PSO优化的加权FCM算法
• 4.2.1 加权模糊C—均值算法（WFCM）
• 4.2.2 直方图加权的FCM图像分割算法
• 4.2.3 PSO优化的WFCM算法
• 4.3 实验结果与分析
• 4.4 本章小结
• 第5章 基于多层减法聚类的FCM彩色图像分割
• 5.1 彩色空间选取
• 5.1.1 RGB彩色空间
• 5.1.2 由RGB空间线性变换得到的空间
• 5.1.3 由RGB空间非线性变换得到的空间
• 5.2 基于多层减法聚类的FCM算法
• 5.2.1 多层减法聚类
• 5.2.2 基于多层减法聚类的FCM算法
• 5.3 实验结果与分析
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间所发表的论文和取得的科研成果
• 致谢