基于模糊C-均值聚类的图像分割技术研究

论文摘要

随着计算机的普及、互联网与多媒体技术的发展,人们越来越多地利用计算机来帮助人类获取与处理视觉图像信息。为了辨识和分析图像中的感兴趣区域,图像分割（Image Segmentation）技术应运而生,并成为图像领域研究的热点问题之一。本论文围绕基于模糊C-均值聚类（FCM）图像分割中的一些不足,进行了深入的研究,主要内容包括:⑴针对传统FCM中使用欧氏距离、初始聚类数目随机给定等不足,提出了一种基于特征散度的自适应FCM图像分割算法。该算法引入特征散度、Laws纹理测度与特征提取、自适应选择初始聚类数目来进行图像分割。实验结果表明,该算法对大多数图像都是简单、有效的（特别是纹理图像）,整体性能优于现有FCM图像分割方案。⑵考虑到图像中每个像素点的作用不同,提出了一种基于ReliefF和FCM的彩色图像分割算法。该算法首先选择比较接近人类视觉系统的色度、亮度和饱和度（HIS）空间。然后应用ReliefF来求取每个像素点的权重,进而约束FCM的隶属度,使惩罚项的加权因子来控制惩罚作用的强弱,从而实现了FCM算法的鲁棒性研究。仿真实验结果表明,本文算法能够较好地分割含噪声的彩色图像。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 图像分割的概念
• 1.3 图像分割的目的及意义
• 1.4 研究进展及其现状
• 1.5 模糊聚类理论及其在图像分割中的应用
• 1.6 分割方法评价
• 1.7 本文的研究内容
• 第二章 基于模糊 C-均值聚类的图像分割方法
• 2.1 引言
• 2.2 模糊理论基础
• 2.2.1 概述
• 2.2.2 模糊集合
• 2.2.3 模糊隶属度
• 2.3 模糊聚类分析
• 2.3.1 硬C-均值聚类算法（HCM）
• 2.3.2 模糊C-均值聚类算法
• 2.4 模糊C-均值聚类图像分割算法
• 2.5 模糊C-均值聚类算法的相关研究
• 2.6 小结
• 第三章 基于特征散度的自适应 FCM 图像分割算法
• 3.1 引言
• 3.2 基于灰度直方图的模糊C-均值图像分割算法
• 3.3 基于特征散度的自适应FCM 图像分割算法
• 3.3.1 Laws 纹理测度与特征提取
• 3.3.2 特征散度的使用
• 3.3.3 初始聚类数目的自适应选取
• 3.4 实验结果及分析
• 3.4.1 图像分割的评价标准
• 3.4.2 实验结果及分析
• 第四章 基于 ReliefF 和 FCM 的彩色图像分割算法
• 4.1 引言
• 4.2 彩色空间的选择
• 4.2.1 彩色空间的选择
• 4.2.2 彩色空间的转换
• 4.3 ReliefF 算法
• 4.4 基于 ReliefF 约束的 FCM 图像分割算法
• 4.5 实验结果与结论
• 4.5.1 分割性能的比较
• 4.5.2 结论
• 第五章 总结与展望
• 5.1 已完成工作与创新点
• 5.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文及科研