毕业论文（设计）基于聚类分析的图像分割算法Word文件下载.docx

毕业论文（设计）基于聚类分析的图像分割算法Word文件下载.docx

《毕业论文（设计）基于聚类分析的图像分割算法Word文件下载.docx》由会员分享，可在线阅读，更多相关《毕业论文（设计）基于聚类分析的图像分割算法Word文件下载.docx（37页珍藏版）》请在冰豆网上搜索。

Imagesegmentationistodecomposeanimageintoanumberofregionsthataremeaningfulandhavethesameattributesthatdonotoverlapeachother.Asanimportantpartofimageprocessing,imagesegmentationiswidelyusedinmedical,military,transportationandothercomputervisionfieldandisoneofthemostpopularresearchtopics.Theaccuracyofitssegmentationdirectlydeterminesthequalityofthesubsequentimageanalysis,soitisofgreatsignificance.Atpresent,peoplehaveputforwardalotofsolutionsthatgotsuccessinsomedegree,butbecauseofitscomplex,manyproblemsarefarfrombeingresolved.

Thispapermainlyintroducestheimagesegmentationalgorithmbasedonclusteringanalysis.TheprincipleofK-meansclusteringalgorithmaredescribedindetail.Andistestedonartificialdataexperiment..Andthen,thecolorimagesegmentationexperimentandthemedicalimageexperimentbasedontheK-meansclusteringalgorithmareanalyzed.

Key words：

Image segmentation,；

clustering analysis；

K-means clusteringalgorithm；

colorimage；

medicalimage

III

目 录

摘 要 I

Abstract II

目 录 III

第一章绪论 1

1.1研究背景及意义 1

1.1.1图像分割概述 1

1.1.2常用的图像分割方法 2

1.2主要研究内容与工作安排 4

第二章聚类分析及分割图像 5

2.1聚类分析概述 5

2.2聚类分析方法 6

2.2.1划分聚类算法 6

2.2.2层次聚类算法 6

2.2.3密度聚类算法 6

2.2.4模型聚类算法 7

2.3分割图像介绍 8

2.3.1灰度图像 8

2.3.2彩色图像 9

2.3.3纹理图像 12

2.3.4遥感图像 12

第三章基于K均值聚类算法的图像分割 14

3.1.K均值聚类算法原理 14

3.2K均值聚类算法流程 15

3.3K均值聚类算法仿真实验 17

第四章实验结果及分析 19

4.1K均值聚类算法分割彩色图像 19

4.1.1彩色图像实验 19

4.1.2实验结果与分析 20

4.2K均值聚类算法分割医学影像 21

4.2.1医学影像介绍 21

4.2.2医学影像实验结果与分析 22

4.3本章小结 25

第五章总结 26

参考文献 28

致 谢 30

附 录 31

第一章绪论

1.1研究背景及意义

随着全球范围内计算机水平的不断提高，数字图像处理和分析逐渐独当一面，形成了各自的研究领域。

尽管时间不长，但新方法不断产生，引起研究人员的研究兴趣。

众所周知，视觉是人们赖以生存的感觉，而图像又是视觉的根源，因此数字图像成为计算机学、生理学、心理学等科学领域研究不可或缺的工具，图像处理也在遥感、气象、军事等重要领域内发挥重要作用。

图像分割[1]是把图像分成若干个满足不同需求的区域，从图像处理到图像分析、从图像识别到计算机预先处理，都不能缺少。

由计算机自动分割时，仅有的依据是图像中像素的亮度及颜色，就会遇到许多难点，如光照不均匀、受噪声干扰、图像不清晰以及出现阴影等，导致常发生分割错误。

图像分割需要继续改进，引入一些新知识和人工智能方法，来纠正分割中可能会出现的错误，使问题变得更复杂。

因此，我们要致力于快速有效地将需要的部分分离出来，由下文来着重介绍。

1.1.1图像分割概述

图像分割[2]是为更好地分析图像而将图像划分为若干个特定的区域的技术，定义如下：

集合R代表整个图像区域，分割R图像是将R分成N个满足以下

条件的非空子集R1,R2,R3,…,RN

设集合S是完整的图像，分割S就像把S分为若干个非空子集S1,S2,K,Sn，满足以下条件：

n

（1）å

Si=S；

i=1

（2）对所有的i和j，i¹



j有SiÇ

Sj=Æ

；

（3）对i=1,2,3,K,n，有P（Si）=true；

（4）对i¹

j，有P（SiÈ

Sj）=

false；

（5）对i=1,2,3,K,n，Si是连通的区域。

其中：

P（Si）是集合Si内所含元素的性质，Æ

是空集。

对以上几个条件的解释如下：

（1）完备性：

分割后的所有区域合并起来必须包括原图像中的所有部分；

（2）独立性：

分割后的N个子区域互相独立，无交集；

（3）相似性：

每个子集中的元素有一种相似特性，与其他子集区别开；

（4）互斥性：

各子集间无共有的特性，属性不同；

（5）连通性：

同一子区域内，像素之间互通。

实际应用中，我们需要将图像划分为背景和不同的目标，若划分满足以上条件，Ri（i=1,2,3,…,n）就称为R的分割。

1.1.2常用的图像分割方法

当前可用的图像分割方法主要为：

基于阈值的分割方法[3]、基于边缘的分割方法[4]、基于区域的分割方法[5]以及基于聚类的分割方法[6]。

1）基于阈值的图像分割

阈值分割法的原理是用一个或多个阈值作为分类依据，将图像的灰度级进行区分，分在同一类中的像素目标相同，从而来区别物体和背景。

具体步骤：

先确定合适的阈值，再将像素的灰度值跟阈值进行比较，最后进行分类。

阈值分割法非常依赖阈值的选择，因此关键在于选择正确的阈值。

此算法的优点是简单有效，计算代价小，速度快，尤其是图像的灰度区别大时，效果较好；

缺点是有局限性，图像的空间特性和纹理等实用信息被去除，只考虑像素本身的取值，对噪声很敏感，有时分割效果不大好。

现已有许多阈值分割改进算法，尤其针对阈值的选择，如最大熵法、基于图像统计阈值法、最小误差法、二维熵阈值法、改进的Otsu法等。

2）基于边缘的图像分割

区域分割法的原理是将相同或相似性质的像素连起来得到新图像，优点是用像素的相似性和空间的邻接性，除去孤立噪声的干扰，深入至像素级，得到的结果较为准确。

基于区域的分割方法主要分为区域生长和分裂合并。

区域生长法是先在每个区域内找一个种子像素，再将邻域中与种子像素相似的像素点合并到种子像素所在的集合。

循环往复，直至没有像素可以被合并，算法停止。

重要因素是种子像素、生长准则和终止条件。

优点是计算速度快、

32

复杂度低；

缺点是在事先不知道具体情况，只能随机选择种子点和相似性准则，分割结果出错的可能性大大增加。

分裂合并法是先不停地将整个图像分成多个子区域，再将相邻的具有相似性的区域合在一起。

优点是不含种子点，省去很多步骤；

缺点是若达不到深像素级，分割精度就不高，若达到深像素级，合并的工作量增大，时间复杂度提升。

分水岭算法也是基于区域的图像分割算法之一。

原理是洼地积水：

先求梯度图，再把它看做一个地形图，较平坦地带梯度的值较小，构成盆地；

边界地带梯度的值较大，构成山脊。

水从盆地最低洼处流入，水位不断上涨，为了防止洼地相连，必须在山脊上建水坝。

当水位不断涨高时，水坝也越筑越高，直至达到最高山脊，算法完成，每一个独立的积水盆地为一个分割区域。

优点是稳定性强，缺点是易分割过度。

3）基于区域的图像分割

经常会用的是基于空域的梯度算子，梯度算子是用图像空域的差分求导。

一般用于灰度图像，利用不同图像灰度不同、边界处有明显边缘的特点分割图像。

通常基于边缘的分割方法指的是基于灰度值的边缘检测，在边缘灰度值会显现出阶跃型或屋顶型变化。

阶跃状边缘对应的是一阶导数的极值点和二阶导数的过零点（零交叉点），于是会用微分算子进行边缘检测。

一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。

微分算子的优点是对边缘灰度值相差较大、噪声较小等简单的图像，效果较好；

缺点是若有噪声，没有边界的地方会出现边缘，有边界的地方却不能出现边缘。

1.2主要研究内容与工作安排

本文主要介绍图像分割、聚类分析和基于K均值聚类分析的图像分割算法原理和算法过程，再做基于K均值聚类算法的彩色图像分割实验和医学图像分割实验，验证K均值聚类算法的适用性。

本文的章节结构安排如下：

第一章绪论主要介绍了本文研究的背景及意义，归纳了图像分割的概念、方法，同时介绍了本论文的主要研究内容与工作安排。

第二章详细介绍聚类分析的定义、流程、当前的经典算法，再介绍这几种经典算法的原理、实现的方法、优缺点比较等。

第三章 详细介绍基于K均值聚类算法的图像分割，具体阐述K均值聚类算法的思想、具体流程以及优缺点，通过仿真实验来分析。

第四章做基于K均值聚类算法的彩色图像分割实验和医学图像分割实验，验证K均值聚类算法的适用性。

第五章总结全文，提出展望。

总结全文主要叙述的内容和实验的结果分析，并指出在实验中的不足，对于下一步工作进行展望。

第二章聚类分析及分割图像

2.1聚类分析概述

聚类是指将将物理或抽象的集合分到不同的类或者簇的过程，同一簇中的对象相似性大，而不同簇间的对象相异性大。

聚类分析不必事先给出一个分类的标准，而是从样本数据出发自动分类，使用不同的方法[7]。

聚类方法的特点如下：

1、简单、直观；

2、聚类结果可以出现多个解，研究者经过判断