论文部分内容阅读
图像分割是图像处理技术的重要组成部分,为特征提取,目标识别等图像理解工作提供有用的信息。由于之前技术水平和硬件水平的限制,图像的处理一直停留在对灰度图像的分割,对灰度图像分割方法的研究取得了不错的成果。随着科技水平的不断提高,处理彩色图像硬件设备的普及,彩色图像分割技术的重要性日益凸显出来。现有的彩色图像分割,大都是伪彩色图像分割,是将彩色图像中的彩色信息忽略,直接将灰度图像的分割方法应用到彩色空间中。虽然灰度图像分割技术已经发展的较为完善,但是并不是所有的方法都适合扩展到彩色空间中。其中,基于聚类的图像分割方法由于其算法原理,非常适于扩展到彩色空间中。本文研究了前人利用聚类算法进行图分割的各种方法,发现该方法自身存在以下缺点:1.收敛易陷入到局部极值2.初始聚类中心对分割结果影响较大3.聚类数目需要人工确定4.算法的运算量非常大。本文针对聚类算法对初始聚类中心敏感的缺陷,结合粒子群理论对算法进行优化。同时,针对粒子群算法易收敛于局部极值的缺陷,做了有益的改进,力求使得粒子群算法摆脱局部极值的束缚,提高收敛精度。论文主要包括以下几个方面:首先,本文分析总结了几种彩色模型的优缺点,选择了最适于进行彩色图像分割的彩色模型,并在该模型中进一步研究,将彩色空间中的各个分量组成一个向量,作为分割的像素集。其次,针对聚类算法进行图像分割时对初始聚类中心数目及位置过于敏感的缺陷,提出引入粒子群理论进行改进,使用粒子群算法帮助确定聚类算法的初始聚类中心与数目。另外,针对粒子群算法容易陷入局部极值的根本原因,提出一种有益的改进,对粒子群算法中的局部极值与全局极值,进行有条件的扰动。并从理论上证明了,改进算法的正确性。最后,设计两类实验,实验一对改进的粒子群算法使用评价函数进行评测,通过实验证明了改进算法的有效性;实验二使用本文改进的图像分割方法与改进前的聚类分割方法进行对比分析,实验结果证明改进算法的有效性。