西安邮电学院科研训练报告.docx

1、西安邮电学院科研训练报告实验总成绩： 装 订 线报告份数： 西安邮电学院 通信与信息工程学院 科研训练报告专业班级： 学生姓名： 学号(班内序号): 目录摘要 IABSTRACT II引言 - 0 -文献检索方法 - 1 -1图像分割 - 2 -1.1 图像分割简介 - 2 -1.2常用的图像分割方法 - 3 -2 聚类算法 - 6 -2.1聚类算法原理介绍 - 6 -2.2 HCM算法 - 6 -2.3 FCM算法 - 7 -3基于增强空间信息的模糊聚类图像分割 - 8 -3.1题目内容介绍 - 8 -3.2 EnFCM算法 - 8 -3.3 图像的扩展 - 9 -3.4 仿真结果 - 10

2、 -3.5 相关程序段 - 12 -4总结和展望 - 15 - 摘要图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。传统的分割方法有边界的和区域的两类。聚类就是按照一定的要求和规律对事物进行区分和分类的过程，常用的聚类算法有HCM和FCM，EnFCM是一种改进的模糊C-均值算法，本文对其进行简要的介绍。关键字：图像分割 聚类 HCM FCM EnFCM ABSTRACTThe image segmentation is a kind of important pictur

3、e technique,study in the theory with all got peoples extensive value in the actual application.Method and category that the picture partitions have a lot, some partition operations can directly be applied to any picture, but a little bit another the picture that can be applicable to a special catego

4、ry.The traditional partition method includes a boundary of with two type of district.Gathering the type is the process that carries on classifying and categorizes to the thing according to the certain request and the regulation, in common usely gather a type of calculate way to contain HCM and FCM,

5、EnFCM is the misty C of a kind of improvement-all be worth calculate way, as to its does this text carry on the introduction of synopsis.Keywords: image segmentation cluster HCM FCM EnFCM 引言 图像分割技术 是近年来国际上图像分割领域的一个新的研究热点。图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面

6、人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。图像分割是一种重要的图像技术，该方法将图像映射为带权无向图，把像素视作节点。利用最小剪切准则得到图像的最佳分割 该方法本质上将图像分割问题转化为最优化问题。是一种点对聚类方法。对数据聚类也具有很好的应用前景。但由于其涉及的理论知识较多，应用也还处在初级阶段。因此国内这方面的研究报道并不多见，本文将对图论方法用于图像分割的基本理论进行简要介绍，并对当前图论方法用于图像分割的最新研

7、究进展进行综述，并着重介绍基于等周图割的图像分割的方法。在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。本文通过

8、对图像分割的理论和方法的研究，对图像分割以及聚类方法进行论述，并利用matlab实现给定图像的处理操作。文献检索方法在我们做科研训练时，我们再找一定的书籍资料的同时，找一些相关的前人的文献资料是必不可少的。而现代化的网络为我们检索资料提供了极大的方便，因此，在研究过程中，必须学会利用网络查找到自己所需的献资料，并将其做为研究的重要参考。目前我校购买了三个文献数据库的查阅权限以供师生使用，分别是CNKI文献数据库（主要提供论文文献）、超星数字图书馆数据库（主要提供专著）、IEL全文数据（可以查到电气和电子工程领域的大量国际文献），这三个数据库几乎囊括了我们所需要查阅的所有资料。对于中文文献的检索

9、：选择此页面左下的中文数据库，点击进入后选择中国期刊全文数据库，点击进入后有网址链接，进入此网址链接后按检索要求，选择检索项和检索词，得到检索结果，对于需要参考的文献点击文献名进入后即可下载阅读。对于外文文献的检索：选择数字图书馆的左下方的外文数据库，点击进入后选择IEEE/IET数据库，点击进入后有链接网址，点击此网址进入后选择advanced search，按检索项和检索词进行检索，即得到检索结果，对于需要下载的文献内容，点击文献名进入后即可下载阅读。1图像分割1.1 图像分割简介1.1.1图像分割的概念图像分割（image segmentation）， 将图像表示为物理上有意义的连通区域

10、的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。简单的讲，就是将图像分成互不重叠,具有各自特征的区域。这里的特性可以是灰度、颜色或纹理等。由于这些被分割的区域在某些特性上相近，因而，图像分割常用于模式识别与图像理解以及图像压缩与编码两大类不同的应用目的。把图像分割成构成它的部件和对象的过程；有选择地定位感兴趣的对象在图像中的位置和范围。如图1.1所示1.1.2 图像分割的条件图像分割应满足： 分割后所得到的区域总和应覆盖整个图像； 各区域之间互不重叠； 同一区域的像元应具有某种共同特征,这些特征可以是像元值、颜色、纹理、形状等

11、；同一类可以对应于一个区域,也可以对应于多个区域。1.2常用的图像分割方法1.2.1 早期图像分割方法早期的图像分割方法可以分为两大类：一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点。根据应用目的不同，分为粗分割和细分割：对于模式识别应用，一个物体对象内部的细节与颜色(或灰度)渐变应被忽略，而且一个物体对象只应被表示为一个或少数几个分割区域，即粗分割；而对于基于区域或对象的图像压缩与编码，其分割的目的是为了得到色彩信息一致的区域，

12、以利于高效的区域编码。若同一区域内含有大量变化细节，则难以编码，图像需要细分割，即需要捕捉图像的细微变化。 根据分割方法的不同，可分为并行边界分割（边界检测），串行边界分割（边界跟踪），并行区域分割（阈值分割、聚类），串行区域分割（区域生长、分裂合并）。 根据分割对象的属性，可被分为灰度图像分割和彩色图像分割。 根据分割对象的状态，可被分为静态图像分割和动态图像分割。 根据分割对象的应用领域，可分为医学图像分割、工业图像分割、安全图像分割、军事图像分割、交通图像分割等。1.2.1 图像分割具体方法目前已经提出的图像分割方法很多，常用的有以下几种。（1）基于阈值选取的图像分割方法基于阈值选取的图

13、像分割方法是提取目标与背景在灰度上的差异，把图像分为具有不同灰度级的目标区域和背景区域的组合。阈值法对分割目标和背景对比较强的景物有着很强的优势，计算较为简单，并且可以用封闭和连通的边界定义不交叠的区域，是图像分割中最有效且实用的技术之一。根据获取最优分割阈值的途径可以把阈值法分为全局阈值法、动态阈值法、模糊阈值法和随机阈值法等。尽管阈值选取的方法很多，但至今还没有找到一种对所有图像都可以有效分割的方法，一种阈值选取方法只能适用于某一类或几类图像，因此一些学者在研究新的阈值选取方法时，将新的数学工具融合到原有的阈值选取方法中，并取得了较好的分割效果。（2）基于区域的图像分割方法基于区域的分割方

14、法，依赖于图像的空间局部特征，如灰度、纹理及其他像素统计特征的均匀性等。典型的基于区域的分割方法有区域生长法、分裂一合并法等。它们的主要优点是对噪声不敏感，但是，常常会造成图像的过分分割问题，并且分割结果很大程度上依赖于种子点的选择，分割所得到的区域的形状也依赖于所选择的分割算法。（3）基于边缘检测的图像分割方法一幅图像中的不同对象区域之间总存在边缘，边缘是灰度或颜色值不连续或者是特征变化较大的结果，图像中的边缘含有丰富的信息。人的视觉对这种变化较快的部分是比较敏感的，当观察各种场景时，首先注意到的就是不同物体的相交处，并很快得出每个物体的轮廓。利用边缘检测的方法进行图像分割也是人们研究常用的

15、方法，这类方法是通过检测出包含不同区域的边缘来解决图像分割问题。边缘检测首先利用一些边缘检测算子检测出图像中可能的边缘点；其次，对有一定厚度的边缘进行复杂的边缘细化得到精确的厚度为一个像素的边缘；最后利用边缘闭合技术得到封闭的边缘。由于采样的缘故，数字图像中的边缘总有一些模糊，所以边缘区一般都有一定的厚度。另外，在有噪声时，微分算子对噪声很敏感，用各种算子检测到的边缘像素常常是孤立的，即没有得到闭合的边缘。所以在进行边缘检测后，很多情况下都需要进行边缘细化和边缘闭合处理，以便得到连续、封闭的、厚度为一个像素的边缘。实际上边缘细化和边缘闭合过程相当复杂，计算量也相当大、相当耗时的，而且最终还不一

16、定能得到准确的厚度刚好是一个像素的边缘。根据边缘检测采用方式的不同，边缘检测的分割方法主要分为以下几类：基于局部图像函数的方法、基于多尺度的边缘检测方法、图像滤波方法、基于边界曲线拟合的方法和Hough变换法。（4）模糊分割技术图像分割的目的是根据一定准则判别图像中像素的属性，并将具有一致或相似属性的像素合并，但实际应用中，很多对象本身具有模糊性，即具有一系列中间过渡状态。因此，用经典的清晰集合刻画这些模糊对象不合适。Zadeh提出的模糊集合概念为刻画模糊对象提供了可能。模糊分割技术是以模糊数学为基础，利用隶属度来解决图像中由于信息不完整、不准确、含糊、矛盾等造成的不确定性问题。模糊分割方法主

17、要有模糊阈值分割方法和基于二维直方图的模糊门限分割方法。1）模糊阈值分割法模糊阈值分割方法，是在图像模糊度达到最小的过程中获得最佳门限值。其算法是选用不同的S型隶属函数来定义模糊物体区域，然后选择一个使图像模糊度测度最小的隶属函数。这个最小的隶属函数将背景中的物体增强，并标识了像素对模糊物体区域的隶属度。隶属函数中的交叉点(隶属度为05)被认为是分割的门限值。模糊技术同样适用于多门限值分割。通常模糊度测度选取为模糊性指数、模糊散度、模糊熵和非模糊性指数。模糊门限分割方法要求图像的灰度直方图具有明显的双峰或多峰。当物体的分布和背景的分布相互重叠而不可区分时，或在强噪声的干扰下，直方图只有单峰，这

18、就使得模糊门限分割方法的前提不成立，从而得不到满意的分割结果。此时，一个直观的想法就是构造出目标峰和背景峰，而二维直方图法能够解决这个问题。2) 基于二维直方图的模糊门限分割方法物体和背景的分布在二维直方图中比在一维直方图中更容易区分，一般地，二维直方图呈双峰或多峰特性。把图像模糊门限分割技术从一维直方图情形推广N-维直方图情形，设原图像为X，其平滑图像为Y，构成广义图像(X，Y)。对广义图像(X，Y)进行分割，从而实现对图像X的分割。虽然基于二维直方图的模糊门限分割方法具有很强的噪声抑制能力，分割效果比传统方法有所改善，但在选取广义图像隶属度时，必须对目标峰和背景峰的坐标进行预估计，这在有的

19、场合有困难。因为在实际应用中，理想的双峰并不一定存在，二维直方图中存在多个极值点。凶此，需要在二维直方图上通过人-St交互的手段找出目标峰和背景峰。2 聚类算法2.1聚类算法原理介绍聚类就是按照一定的要求和规律对事物进行区分和分类的过程，在这一过程中没有任何关于分类的先验知识，仅靠事物间的相似性作为类属划分的准则，因此属于无监督分类的范畴。聚类分析则是指用数学的方法研究和处理给定对象的分类。聚类分析是依据样本间关联的量度标准将其自动分成几个群组, 且使同一群组内的样本相似,而属于不同群组的样本相异的一组方法。聚类分析已经广泛地用于许多应用领域, 包括市场研究、模式识别、数据分析和图像处理。聚类

20、分析要素：相似性测度；聚类准则；算法及有效性。从实现方法上分，聚类分析方法可大致分为四种类型：谱系聚类法、基于等价关系的聚类方法、图论聚类法和基于目标函数的聚类方法。聚类算法是一种基于目标函数的聚类方法, 它把聚类归结成一个带约束的非线性规划问题，通过优化求解获得数据集的模糊划分和聚类，其基本思想是通过反复修改聚类中心和分类矩阵来实现动态的迭代聚类，使得被划分到同一类的对象之间相似度最大，而不同类别之间的相似度最小。2.2 HCM算法HCM聚类分析法：即，K均值算法，也称C均值算法，是基于准则函数最优的聚类算法，它能够使各类样本到聚类中心的距离平方和取得最小值。已知样本集合X=x1,x2, ,

21、xn，Xj是d维特征向量，j=1,2,n;相似性测度函数内部采用欧式距离；聚类准则采用误差平方和准则，其准则函数为 J=i=1,2,k,Ci为第i类聚类中心,K均值算法就是通过不断调整聚类中心，使得误差平方和准则函数J取得极小值。K均值算法步骤如下：1、初始化：给定类别数K，初始化聚类中心；2、第l次迭代的修正：逐个将样本按照最小距离原则分配给K个聚类中心的任意一个；3、计算新的聚类中心，用均值向量作为新的聚类中心，可是准则函数最小；4、若C（i+1）不等于C（i），将样本重新分类，重复迭代计算；K均值算法是以确定类别数和选定的初始类聚类中心为前提，是样本到其所在类中心的距离之和最小，分类结果

22、受到类别数和初始类聚类中心的影响，得到的聚类结果是局部最优的。2.3 FCM算法传统的 FCM 算法设图像像素值组成n 个样本的集合X = x1， x2， ， xn ， 则图像聚类问题就转换为将这 n 个样本分成 c 个聚类的问题。根据图像中像素和聚类中心的加权相似测度， 对目标函数进行迭代优化以确定最佳聚类， FCM 的目标函数为其中: 表示像素，属于第i 个聚类的隶属度; 表示第i 个聚类类的聚类中心; 表示距离度量; m 是模糊加权指数， 该指数决定分类结果的模糊程度， m( 1， )利用拉格朗日乘数法， 可推导出上式的两个优化迭代公式：如果则算法停止并且划分矩阵U和聚类中心V，负责继续

23、进行聚类中心和隶属度的计算。通过迭代寻找聚类中心 vi与隶属度值 uij， 使目标函数 Jm ( U， V) 取最小值以实现图像的优化处理。3基于增强空间信息的模糊聚类图像分割3.1题目内容介绍（1）给定一幅图像，给图像加高斯白噪声；（2）运用“增强空间信息滤波法”进行去噪；（3）利用FCM算法对滤波后的图像进行聚类，最后实现图像分割；3.2 EnFCM算法基于增强空间信息的模糊聚类算法，是一种改进的模糊C均值聚类算法(Enhanced fuzzy c-means clustering algorithm EnFCM)，该算法是通过计算原图像和它的局部邻域均值图像的一个线性加权和图像来减少运算

24、的复杂度，大大提高了图像的分割速度，可以表示为：其中，表示图像中第k个像素的灰度值。基于新图像的灰度直方图信息，快速分割算法的目标函数可以表示为：其中，q是图像的灰度级，远小于N，是图像中灰度值等于的像素个数。具体的 Matlab 实现代码： for i=1:row for j=1:col a=0;b=0; for(k=j:j+2) b=A2(i,k)+A2(i+1,k)+A2(i+2,k);a=a+b; end A(i,j)=(A2(i,j)+a*6/9)/7; endend%第一次循环将第一列元素之和送给a，第二次循环将第二列与元素之和送给b,将a+b的之再送给a,第三次循环将第三列元素之

25、和送给b,再将a+b之和送给a，这样完成了九个元素的相加。3.3 图像的扩展在计算灰度值时，必须首先对图像进行扩展，具体的：将原始矩阵扩展成row+2,col+2 将矩阵的第二行的所有元素赋给第一行的前一行 将矩阵的倒数第二行的所有元素赋给倒数第一行的后一行 将矩阵的第二列所有元素赋给第一列的前一列 将矩阵的倒数第二列所有元素赋给倒数第一列的后一列B2B1B2B3B4B5B4A2A1A2A3A4A5A4B2B1B2B3B4B5B4C2C1C2C3C4C5C4D2D1D2D3D4D5D4E2E1E2E3E4E5E4F2F1F2F3F4F5F4E2E1E2E3E4E5E4具体matlab 实现代码

26、：A=zeros(row,col); %产生原始矩阵A1=zeros(row+2,col); %产生行扩展矩阵A1A1(1,:)=x2(2,:); %矩阵A1第一行的所有元素等于原始矩阵第二行的所有元素A1(2:row+1,:)=x2(1:row,:); %扩展矩阵第二行到第row+1的元素是原始矩阵的第一行到第row行的所有元素A1(row+2,:)=x2(row-1,:); %扩展矩阵的row+2行元素等于原始矩阵的第row-1行的元素3.4 仿真结果分别对四幅图进行处理如图所示：3.5 相关程序段主程序：clcclear all;n=3;P=imread(xiaomao.jpg);%su

27、bplot(121);subplot(2,3,1);imshow(P);title(原始图像);I=rgb2gray(P);subplot(2,3,2);imshow(I);title(灰度图像); J=imnoise(I,gaussian,0,0.005) subplot(2,3,3);imshow(J)title(加噪后的图像);K=wFCM(J,n);subplot(2,3,4);imshow(K,);title(滤波前分割图像);A=EnFCM(J,n); subplot(2,3,5);imshow(A,); title(增强滤波后的图像);B=wFCM(A,n);%subplot(1

28、,2,2)subplot(2,3,6);imshow(B,);%title(分割后图像);title(滤波后的分割图像);子程序：function d=EnFCM(x,n) row,col=size(x); %求矩阵的行、列x2=double(x); A=zeros(row,col); %产生原始矩阵A1=zeros(row+2,col); %产生行扩展矩阵A1A1(1,:)=x2(2,:); %矩阵A1第一行的所有元素等于原始矩阵第二行的所有元素A1(2:row+1,:)=x2(1:row,:); %扩展矩阵第二行到第row+1的元素是原始矩阵的第一行到第row行的所有元素A1(row+2,

29、:)=x2(row-1,:); %扩展矩阵的row+2行元素等于原始矩阵的第row-1行的元素 A2=zeros(row+2,col+2); %产生列扩展矩阵A2A2(:,1)=A1(:,2); %A2矩阵第一列的所有元素等于原始矩阵第二列的所有元素A2(:,2:col+1)=A1(:,1:col); %扩展矩阵A2第二列到第col+1的元素是原始矩阵的第一列到第col列的所有元素A2(:,col+2)=A1(:,col-1); %扩展矩阵A2的col+2列元素等于原始矩阵的第col-1列的元素%对每一个3*3单元进行 EnFCM 运算for i=1:row for j=1:col a=0;b

30、=0; for(k=j:j+2) b=A2(i,k)+A2(i+1,k)+A2(i+2,k); a=a+b; end A(i,j)=(A2(i,j)+a*6/9)/7; endendd=uint8(A);function y=wFCM(x,c) %进行FCM算法row,col=size(x);n=row*col;Q=reshape(x,n,1); y=double(Q);center,U,obj_fcn = FCM(y,c); %调用FCM函数maxU = max(U);index1 = find(U(1,:) = maxU);index2 = find(U(2,:) = maxU);index3 = find(U(3,:) = maxU);H1=zeros(row*col,1);H1(index1)=1;H1(index2)=2; H1(index3)=3;H2=reshape(H1,row,col);y=uint8(H2);4总结和展望通过此次科研训练，学习了如何完成一个科研题目，并锻炼了自己从分析题目，提出问题，分析问题，解决问题，到完成代码的能力；学会了如何检索大量文献，锻炼了阅读理