基于聚类的图像分割算法研究(2)

结论 25

致谢 26

1 绪论

1.1 研究背景及意义

在这个信息多元化的21世纪的时代，图像不仅是人们认知和感受现实的一大载体，也是传达和分析信息的有效方法。对于任一个图像，都可以划分为人们喜欢的以及不喜欢的部分。一般情况下，把喜欢的那些部分叫做目标区域，而其他不喜欢的部分叫做背景区域。将喜欢的部分从不喜欢的部分中提取分离出来的过程就称为图像分割[1]。

在上世纪的七八十年代，人们才开始注重于对图像分割的钻研。因为它作为一个经典的图像处理方法，对图像的后期理解和分析奠定了重要的基础。也正因为这样，人们就把图像分割技术看作是图像领域[2]至关组成部分。起初，图像仅仅是简单被当成是由大量像素所堆积而成的矩阵，对图像的一些处理操作也很简单，只是对像素进行处理。慢慢地，由于互联网时代的迅猛前进，人们已经开始不满足于当前的这种对图像的处理方法，尝试着将图像对象化。也就是说，把一副图像当作是由许多对象积聚而成的产物。有了这种思想后，图像分割的理念也随之诞生了。

图像分割应用非常广泛，比如处理卫星遥感影像，分析脑部核磁共振图像，分析违章车辆车牌区域等等。图像分割作为图像处理范畴的顶梁柱，同时也极具挑战。多年来，社会各界人士在关于图像分割这块领域上都十分看重，进行了各式各样的研究探讨，各种算法也层出不穷。然而，在这众多的算法之中，可惜的是依然没有哪一个算法是通用的，它们都是针对某一个具体存在的问题而具体设计的。然而多个领域对图像的精度要求却变得越来越高，也因此产生了越来越多的复杂问题。所以要想适应这种情形，则必须要对图像分割的研究进行持续的深化和完善。所以，全面的系统研究图像分割技术，尤其是从原理角度，对图像的处理和分析能力以及应用的推广都具有十分重大的意义。

1.2 国内外研究现状

1.3 研究内容及章节安排

本课题研究内容如下：

(1）首先概述了课题研究的背景意义以及目前国内外对图像分割技术的研究状况。

（2）接着举例说明了一些常用的分割方法，包括其原理，实现步骤及优缺点。

（3）然后对聚类进行了详细分析，并列举了一些常用的聚类算法，对K-means算法

进行详细阐述。

（4）在了解了聚类之后，又紧接着对模糊C均值聚类和基于Meanshift的模糊C均值

聚类进行研究，给出了各自算法的思路和步骤。

（5）最后在有了一些算法的基础上，选取了模糊C均值算法和自适应阈值算法在

Matlab环境下对图像进行仿真分割，对比分割结果，探讨其各自的优缺点及适用性。

本课题章节安排如下：

第一章绪论。本章概括的叙述了课题的研究背景和意义，以及国内外的研究现状。

第二章常用的图像分割方法。本章主要简要论述了一些常见的图像分割算法。

第三章聚类分析[22]。本章首先对聚类进行了聚类分析和模糊聚类分析，随后举例了一些常见聚类算法并举例详细讲述了K-means算法及其所具备的优缺点。

第四章基于模糊聚类的图像分割。本章主要研究了模糊C均值聚类算法和基于Meanshift的模糊C均值聚类算法[23]以及其各自的实现步骤。

第五章实验及分析。本章利用Matlab进行模糊C均值聚类算法和自适应阈值算法的仿真实验，分别对彩色图像和灰度图像实行分割操作，并对比其分割结果探讨各自的适用性及优缺点。基于聚类的图像分割算法研究(2):http://www.chuibin.com/tongxin/lunwen_205978.html