摘要:图像分割是图像处理与分析中很重要的一部分内容,尤其是在图像的识别中,这是一种非常关键的方法。它的目的是根据图像像素点的特性,将图像分成几个不同特征的区域,将感兴趣的目标或背景区域分离出来。
因为图像本身含有客观上难以完全避免的不精确性和不确定性,于是人们将模糊聚类概念应用到图像分割中,弥补了传统图像分割的很多不足。
经典的模糊聚类分割方法还不是很完善,有很多缺点,如对噪声比较敏感、对边缘数据处理能力较差和运算的开销过大等。考虑到这些,本文对怎样更好的使用图像的空间内容做了深入研究,重点研究可归纳如下:
第一,剖析了标准模糊C均值聚类图像分割方法的内容和大体实现流程,探讨了模糊聚类图像分割方法的初始聚类中心如何选定,初始类别数如何选择以及初始隶属度矩阵如何得到等算法相关参数的确定问题。
其次,考虑到经典的模糊C受噪声影响较大的缺陷,提出基于灰度特性和空间信息二维特征的FCM图像分割方法,并以此对FCM聚类方法展开改良,最终实现快速聚类的目标。接着在图像分割实验中运用该方法,并与标准FCM方法的实验分割结果进行对比,发现分割效果有了很大提高。
最后,考虑了对FCM的目的函数如何完成惩罚,以达到约束隶属度函数的目标。产生基于邻域隶属度限制的FCM图像的分割方法。该算法对噪声干扰有不错的鲁棒性,有效性也不错。
关键词:空间信息模糊C均值算法;邻域空间特征;灰度特性;图像分割
目录
摘要
ABSTRACT
1. 绪论-1
1.1研究的背景与意义-1
1.2图像分割概述-1
1.2.1 图像分割的定义-1
1.2.2 图像分割方法-2
1.3基于模糊聚类分析的图像分割算法-4
1.4论文选题的意义-5
1.5本文的主要研究工作-5
2. 基于模糊C均值聚类算法的图像分割-6
2.1模糊C均值聚类算法-6
2.1.1 数据集合的C划分-6
2.1.2 模糊C均值聚类图像分割算法-7
2.2模糊C均值聚类图像分割算法的相关研究-8
2.2.1初始聚类中心,初始隶属度矩阵的确定-8
2.2.2.局部极值的问题-8
2.2.3.加权指数m的设置-9
2.2.4.空间结构信息的使用-9
2.3快速模糊C均值聚类图像分割算法-9
3. 基于灰度和空间信息特征的模糊C均值聚类分割-12
3.1图像灰度和空间信息的二维向量表示-12
3.2 基于图像灰度和空间信息的FCM图像分割-13
3.2.1 基于灰度和空间信息的模糊C均值聚类图像分割-13
3.2.2灰度和空间信息的快速FCM聚类算法-14
3.3 实验结果与分析-16
3.3.1 关于图像分割算法的评价方式-16
3.3.2 实验结果和分析-17
3.4 小结-18
4. 基于空间信息约束的图像分割-19
4.1 基于邻域距离约束的FCM图像分割-19
4.2 基于邻域隶属度约束的FCM图像分割-20
5. 总结与展望-23
5.1 总结-23
5.2 展望-23
致谢-24
参考文献-25