论文部分内容阅读
在图像处理中,图像分割是一种重要的图像分析手段,目的在于将图像划分为具有不一致性特征的区域并提取图像中有意义的或人们感兴趣区域,是后续图像处理的基础。在计算机视觉领域上,图像分割一直是一个研究的热点问题,各种方法层出不穷,解决了图像分割中各种复杂的问题,但是,图像分割效果的提升非常缓慢,如何能准确高效地分割图像成为了该领域的挑战性工作。论文对有监督的图像分割算法和无监督图像分割算法的研究现状做了简单介绍,并详细描述了经典的无监督图像分割算法。现有的无监督图像分割算法存在以下两个普遍的问题:(1)在分割复杂形状的物体时,存在局限性。基于划分或者层次的聚类算法只能发现“类圆形”的簇,因此,在应用于图像分割中时,对复杂形状的物体分割效果较差。(2)对图像的纹理信息比较敏感。已有无监督分割算法通常将物体内部的纹理检测为边缘。针对已有无监督分割算法存在的问题,本文联合核密度估计和密度峰值聚类,提出了一种新的基于密度峰值的无监督图像分割算法(DP-UIS),相对于已有的工作,本文的主要工作如下:(1)本文提出一种新的无监督图像分割方法DP-UIS,能有效处理纹理复杂、形状各异的自然图像分割问题,并保证了图像分割的实时性。(2)基于颜色、坐标以及纹理信息,定义了密度峰值差异性的度量函数,通过引入密度峰值差异性阈值,DP-UIS算法能够自动确定待分割区域个数。(3)密度峰值聚类算法从提出以来一直用来处理数据点的聚类问题。本文将改进的密度峰值聚类算法扩展到图像分割领域,得到了较好的图像分割结果。本文通过Berkeley图像数据集验证了DP-UIS算法的有效性,并与Mean-shift算法、K-means算法、FCM算法和N-cut算法对比,取得了较好的分割结果。另外,本文针对实验中所用到的参数进行分析,详细描述了参数的变化对图像分割结果的影响。