论文部分内容阅读
在电子成像设备极其便利的今天,对数量巨大的彩色图像进行处理成为图像工程发展的当务之急。图像分割是图像处理中经常用到的技术之一,也是保证图像分析进行的根本,在图像工程中有着重要位置。从定义看,图像分割是把图像中具有某种特殊性质的部分进行划分并区分出目标或背景的过程。聚类则是将集合中具有相似特性的对象根据相似性划分成多个分类的过程。两者原理相近,进而聚类方法在图像分割中成功应用。模糊C均值聚类(FCM)在K-means与模糊理论的基础上发展而来,理论完善、性能稳定。由于FCM有表达图像中的高噪声、对比度差、空间关系不明确等问题的能力,所以得到了广泛应用。本文算法是在FCM的基础上做出的改进,包括核方法的使用、中心初始化集合的选取、聚类数目自适应三个方面。经过彩色图像分割实验验证,本方法有效。本论文的主要工作包括以下方面:第一,介绍选择本课题的目的与研究意义、国内外研究状况以及本论文所做工作和创新点。随后,介绍K-means与FCM聚类的算法原理,说明聚类过程。分别对图像分割的定义、色彩空间的选择以及彩色图像分割方法进行简单说明。从本质上对模糊聚类与图像分割进行了解后,简述了聚类算法运用到彩色图像分割中的可能性,以及要实现自适应图像分割的必要技术。第二,针对FCM存在的问题,提出基于局部搜索的自适应核模糊聚类算法(LAKFC)。该方法借助非线性变换,通过核函数将低维空间的线性不可分问题映射到高维特征空间,达到线性可分的目的。算法采用一种新的聚类中心初始化方案,迭代爬山的方式寻找最优划分;最后还使用了一种基于核函数变换的评价指标I(K),用来确定最优聚类数目,实现聚类数自适应。第三,针对彩色图像处理中数据量大的问题,本文通过SLIC方法求超像素进行图像过分割。彩色图像中包含的巨大信息量,直接处理会导致算法性能下降。因此,图像预处理显得十分关键。图像预处理一般包括图像增强、图像恢复以及图像过分割等技术。假设要处理的图像高度清晰,先用超像素方法对图像进行预处理,将任务量从像素数级降到超像素数级,再结合LAKFC算法聚类,进而得到分割结果,大大提高了算法效率。