论文部分内容阅读
图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程,是图像分析和理解的基础,在图像工程中占据重要地位。图像分割是一种基本的计算机视觉技术,多年来一直受到人们的关注。
由于图像在一定程度上存在着不确定性,而模糊理论则正好对图像的这种不确定性有着较好的描述能力,因此模糊聚类被应用于图像分割问题中,并取得了较好的效果。
但是模糊聚类算法也有一定的问题,抗噪性能不好,而且对初始化很敏感。本文以模糊聚类理论为基础,通过数据集的划分引出模糊C均值算法,并对模糊C均值聚类算法在用于图像分割时的缺陷进行了如下改进:
(1)基于一维直方图的FCM聚类方法,由于其只利用了图像中的部分信息,因而可能存在分割不完整的问题,通过利用空间信息,利用邻域像素的平均灰度值构造了二维空间,代替了灰度值作为样本空间,更充分的利用了图像中的信息。
(2)传统的FCM算法本质上是一种局部搜索算法,对初始化很敏感,也就很难获得全局最优解,而容易陷入局部最优解。通过引入遗传算法,利用遗传算法与求解问题无关的强大通用性,在一定程度上解决了对初始化敏感和陷入局部最优的问题。而且遗传算法以其固有的隐并行性,特别适合于大规模的搜索空间的寻优。
经过实验表明,基于模糊聚类的遗传算法具有良好的分割效果。
由于图像在一定程度上存在着不确定性,而模糊理论则正好对图像的这种不确定性有着较好的描述能力,因此模糊聚类被应用于图像分割问题中,并取得了较好的效果。
但是模糊聚类算法也有一定的问题,抗噪性能不好,而且对初始化很敏感。本文以模糊聚类理论为基础,通过数据集的划分引出模糊C均值算法,并对模糊C均值聚类算法在用于图像分割时的缺陷进行了如下改进:
(1)基于一维直方图的FCM聚类方法,由于其只利用了图像中的部分信息,因而可能存在分割不完整的问题,通过利用空间信息,利用邻域像素的平均灰度值构造了二维空间,代替了灰度值作为样本空间,更充分的利用了图像中的信息。
(2)传统的FCM算法本质上是一种局部搜索算法,对初始化很敏感,也就很难获得全局最优解,而容易陷入局部最优解。通过引入遗传算法,利用遗传算法与求解问题无关的强大通用性,在一定程度上解决了对初始化敏感和陷入局部最优的问题。而且遗传算法以其固有的隐并行性,特别适合于大规模的搜索空间的寻优。
经过实验表明,基于模糊聚类的遗传算法具有良好的分割效果。