论文部分内容阅读
图像分割是图像分析过程中的基本任务,许多相关工作都取决于图像分割的质量。在图像储存量成倍上涨的同时,也需要图像处理技术的相应提升。目前,随着模糊聚类算法在图像分割领域中不断研究深入,基于此已经有许多不同的图像分割算法被提出,并取得了较好的效果。但是,由于算法本身的无监督性、参数的不确定性等缺点,使得图像分割的结果与人的主观视觉感知不一致,所以有必要研究新的方法。 常用的模糊聚类算法中只会对图像色彩特征进行分类,而并没有考虑图像中像素之间的空间邻域信息,这使得分类结果会因图像本身的色彩偏差而受到影响,使算法分类结果中出现类似噪声的零散小区域结果集。为此本文提出了一种结合图像颜色与空间信息的聚类算法。 本文的主要研究工作及成果包括以下几方面: (1)分析了不同彩色空间的基础理论,及其各自的优缺点。对多种彩色空间的特点做出比较。在RGB彩色空间模型中,给出了聚类分割的基本步骤、数学模型。阐述几类常用的聚类算法:谱系聚类方法、基于等价关系的聚类方法、基于图论的聚类方法、基于目标函数的聚类方法。同时给出了聚类算法的有效性评价。 (2)集中讨论了两种基于目标函数的聚类分割方法,对硬C均值聚类与模糊C均值聚类技术进行了详细阐述,并给出了它们各自的数学模型及具体迭代步骤。详细分析了以上两种聚类算法的优缺点。 (3)针对一般聚类算法中只会对图像的色彩特征进行分类的问题,提出了一种模型:首先通过基于颜色的聚类分割,然后在结果中选取邻域中不属一类的零散区域,将这些区域的中心点进行空间上的再聚类,最后将结果与初次分割结果进行整合。算法分别利用硬C均值聚类算法与模糊C均值聚类算法作为主体,与同为结合空间信息的模糊面聚类算法比较。在实验中分别从处理时间,迭代次数与正确分类数来进行对比分析,证明了本文提出的算法在自然条件下的彩色图像中,分割结果更符合人工分割结果。