论文部分内容阅读
图像分割是图像分析的重要前期过程,同时也是整个图像处理工程中最基本的技术之一。由于图像本身存在着很多的不确定性及复杂性,而模糊聚类理论对图像的这种特性具有很好的表述能力。近年来,许多学者努力将模糊聚类理论应用到图像分割当中,事实证明,用该方法处理得到的分割效果要明显好于传统的图像分割方法。模糊C均值聚类算法(Fuzzy C Means clustering, FCM)是基于目标函数中最经典的一种算法,同时也是理论最为完善、应用最为广泛的一种算法。它通过把聚类问题转化为一个带约束的非线性规划问题,采用内外迭代的方式来不断更新模糊隶属度矩阵和聚类中心,从而获得聚类目标函数的最小值。将FCM算法应用于图像分割,可以巧妙的避免传统算法中的多分支分割难题,同时其作为一种无监督的聚类分析算法,不需要人工设定阈值,适合于实际应用自动化操作。因此,将FCM算法应用于图像分割已成为图像处理工程领域内的研究焦点,并具有一定的实用价值。本文围绕FCM聚类算法在图像分割中的应用以及算法改进进行了深入研究,其主要工作和创新点可概括为以下几点：(1)总结了模糊聚类算法应用于图像分割的研究现状,并对常用的分割算法(阈值法、边缘检测法、区域生长及分裂合并法、结合其他特定理论的分割算法)的理论及其基本思想进行了介绍。(2)针对FCM算法对初值很敏感,很大程度上依赖于初始聚类中心的选择。当初始聚类中心严重偏离全局最优聚类中心时,或因某些粒子在迭代过程中出现停顿而造成算法早熟,都很可能使算法陷入局部最优值。本文借助混沌运动具有遍历性、随机性等特点,结合粒子群的寻优特性,通过采用混沌初始化粒子群来改善个体质量,并利用混沌扰动避免某些粒子在迭代过程中因停顿而使算法陷入局部最优值,提出了基于混沌粒子群模糊C均值聚类算法(Fuzzy C Means clustering based on Chaos Particle Swarm Optimization, CPSO-FCM).实验证明,用该算法分割图像可得到很好的分割效果,并具有很好的实时性和鲁棒性。(3)通过比较彩色图像的RGB颜色空间和HIS颜色空间的特性,提出了将CPSO-FCM算法应用于彩色图像分割。本算法通过转化彩色图像的颜色空间,用HIS颜色空间来代替RGB颜色空间,同时,用特征距离来代替FCM算法中的欧式距离。实验证明,该算法对彩色图像也可取得较好的分割效果。