论文部分内容阅读
图像分割是图像分析和模式识别中的重要问题.所谓图像分割是指将图像中具有特殊意义的不同区域区分开来,使这些区域互不相交,并且满足一定的相似性准则.目前已经提出许多不同类型的图像分割方法,如基于阈值、区域、边缘等的分割方法.阂值法计算简单所以分割速度快,区域法在处理较均匀的图像时效果理想,边缘法适用于处理噪声较小的图像.随着图像分割理论的发展,出现了与特定理论结合的图像分割方法,如模糊c-均值理论、支持向量机理论等.基于模糊c-均值理论的算法是无监督的分类算法,减少了人为的干扰.基于支持向量机的分割算法因为具有强大的泛化能力所以只需较少的样本点即可处理图像分割问题.虽然由这两类理论衍生的很多算法成功应用于图像分割问题中,但是仍存在一些问题:基于模糊C-均值理论的算法对参数很敏感,基于支持向量机的分割算法忽略了数据集不平衡及分类准确度要求不同的问题.本文改进了模糊C-均值理论和机会约束支持向量机理论并将其应用于图像分割.本文取得的结果可概括如下:一、针对基于模糊C-均值理论算法对参数敏感程度高的缺点及图像不同区域采用同一参数值的不合理性,本文提出了基于局部噪声检测的自适应模糊C-均值算法,简称NDFCM在新算法中,使用两种图像滤波方法处理图像,两种滤波方法的结合更有利于去噪和保留原图像信息,平衡这两种方法的参数是图像像素为噪声点的概率,此参数通过图像每个邻域中的灰度级数方差来计算,与人工设定参数值相比,本文参数的计算依据图像自身的灰度特征,这大大提高了算法的自适应性.实验结果表明,对于人工图像和实际图像,NDFCM算法都能有效的处理分割问题.二、针对许多分类工作中对每类正确分类的准确度需求不同,而且很多分类器对噪声太敏感的问题,本文在非线性可分的分类器中运用软分类,通过引入松弛变量ζ≥0提出结合核函数与软分类的机会约束支持向量机算法,简称KSCC-SVM新算法通过核函数处理非线性可分的数据,通过软分类降低分类器对噪声的敏感度,通过机会约束控制正确分类的准确度.在图像预处理阶段,本文采用FGFCM算法得到样本的标号,并随机抽取训练样本对本文提出的向量机进行训练,然后用训练完的向量机分割图像.实验结果表明,相比于FGFCM算法和非线性可分的分类器(NLCC-SVM), KSCC-SVM算法的分类准确度更高,抗噪能力更强.