基于聚类的图像分割方法研究

目录

1绪论 (1)

1.1研究目的和意义 (1)

1.2图像分割方法及国内外研究现状 (1)

1.3遗传算法的发展和研究现状 (5)

1.4本文研究的主要内容和文章的结构 (5)

2基于聚类的图像分割方法原理 (7)

2.1基于简单聚类算法的图像分割原理 (7)

2.2基于谱聚类的图像分割原理 (8)

2.2.1谱聚类算法原理 (8)

2.2.1.1图划分理论 (8)

2.2.1.2谱聚类算法原理 (13)

2.2.2基于谱聚类的图像分割方法原理 (15)

3基于k中心点的图像二值化方法 (16)

3.1K中心点聚类原理 (16)

3.2基于K中心点聚类的图像二值化算法 (17)

3.2.1相关概念 (17)

3.2.2基于K中心点聚类的图像二值化算法 (17)

3.2.3基于改进K中心点聚类的图像二值化算法 (19)

3.3实验结果与分析 (21)

3.4本章小结 (24)

4基于遗传谱聚类的图像分割方法 (25)

4.1遗传算法基本原理 (25)

4.2遗传谱聚类算法原理 (31)

4.3基于遗传谱聚类的图像分割方法 (32)

4.3.1定义相似性函数和计算相似性矩阵 (33)

4.3.2遗传聚类阶段 (34)

4.4实验结果分析 (38)

4.4.1UCI数据集聚类 (38)

4.4.2人工合成数据集聚类 (39)

4.4.3对真实的图像数据进行分割 (41)

4.5结论 (43)

5总结与展望 (44)

5.1总结 (44)

5.2展望 (44)

参考文献 (46)

附录A本文作者在攻读硕士学位期间所发表的论文 (50)

致谢 (51)

广西师范学院硕士学位论文2012级软件工程唐涛

1绪论

1.1研究目的和意义

在信息技术日益高速发展的今天，各种图像获取设备，比如手机，数码相机，各种手持终端和监控设备等的应用非常普及，使得互联网，社交媒体，如微博，微信等，每天都产生了海量的数据，其中又有很大一部分是图像数据。分析，识别和处理如此巨量的图像文件将是非常繁重和耗时的工作，随着人工智能和机器学习理论的不断发展和完善，用计算处理图像逐渐引起各种研究者，工程技术人员的关注。

目前，对图像的处理主要分为三个阶段1）图像分割，2）图像识别3）图像语义分析。终极目标是要对图像进行理解，分析出它所表示的语义信息。而图像分割是图像处理的最低层次，是语义分析的基础。分割的目的是要将图像分割成不同的区域，将图像中的目标和背景进行分离，或者是将各种不同的目标物体分开，分割的质量将会影响到图像的语义分析。图像的分割技术经过最近几十年的发展，已经在各个领域得到广泛和迅猛的发展，如计算机视觉，医学图像自动分析，安防监控等。新的研究方法和技术手段也不断的应用到图像分割领域中。由于图像分割在图像处理中的基础性的决定作用，为了以后对图像更高层的语义进行识别，必须在图像分割方面进行充分的研究。只有对通常的图像或者特定领域内的图像做出精准的分割，才能使以后的模式识别，机器视觉等图像的语义分析处理有好的结果。然而，目前在图像的分割研究中，任然有部分领域还没有引起研究人员的重视，在本文中，我们就将k中心点算法应用到图像的二值化中，并取的了好的效果。同时，也将遗传算法和谱聚类算法进行结合对图像进行分割，其效率和效果都优于传统的谱方法。

1.2图像分割方法及国内外研究现状

图像分割有两个基本的特征，分别是不连续性和相似性，不连续性指的是两