基于聚类的图像分割系统的设计与实现——分割算法模块【毕业作品】
BI YE SHE JI
（20 届）
基于聚类的图像分割系统的设计与实现——分割算法模块
摘要
图像分割的算法研究已有很多年的历史，一直以来都得到了人们的高度重视。关于图像分割的原理和方法世界各国均有不少的论文发表，但一直以来没有一种一般的分割方法能够适用于所有图像分割处理。传统的图像分割方法的劣势在于不能满足人们的要求，为后续的图像分析和理解带来了困难。随着计算机技术以及计算机性能的迅猛发展，及其相关技术的发展和成熟，结合色彩处理，图像增强等技术，个人计算机上就能够实现图像分割处理。
图像处理技术有很多种，如图像分析，颜色转换，去噪等，但其中最主要的图像处理技术是图像分割技术，从图像中将某个特定区域与其它部分进行分离并提取出来的部分进行检测，变换，识别等处理操作。
图像的分割是实现图形理解的基础,也是计算机图形学中的一个基本问题,并且在其
他很多领域得到了应用。由于图像的格式和色彩形状不同,要实现通用且快速的图像分割仍然是一个难题。图像分割的主要研究内容有：建立可靠有效的分割模型,减少分割算法的运算量，降低分割算法的复杂度,提高分割算法的通用性及抗噪性等。但是因为分割模型的不同,各种分割方法在不同的分割模型表现出不同的优缺点。有阈值分割方法，边界分割方法，区域提取方法，结合特定理论工具的分割方法等。本文只对这些方法做简单的介绍。
本文中着重介绍的是，基于聚类的分割算法，聚类分析是一种无监督分类法,它通过归类相似性质（结构色彩）的样本实现分类。在缺少相关知识时,图像分割可以通过聚类分析完成。基于聚类分析的图像分割算法的通用性好，并且对样本空间的约束小。无论是灰度图像、彩色图像分还是纹理图像,都可以应用聚类分析方法完成分割。但是基于聚类分析的分割方法也有缺点,主要就是因为聚类分析分割算法计算量大,有可能出现极值问
题并且对噪声样本比较敏感。本文分析了当今图像分割的研究成果以及面临的主要问题,针对聚类算法用于图像分割的特点,着重对聚类算法进行了算法实现，并能用图片的形式呈现出来。
通过对聚类算法的是实现，本文在其基础上还对分割后的图片进行重新合并的操作，合并操作通过比对，计算图片碎片的相似度进行实现。
关键词：图像分割，复杂度，样本空间，聚类分割，合并，相似度
ABSTRACT
Image segmentation algorithm has several decades of history, has been subject to people's attention. On the principles and methods of image segmentation and abroad have been many papers published, but has been without a segmentation method applied to image segmentation processing. The traditional image segmentation method there is a lack of, can not meet the requirements of the people, which makes it difficult for further image analysis and understanding. With the rapid development of computer technology, and related technology development and maturation, combined with technologies such as image enhancement, image segmentation can be implemented on a computer.
The image processing technology there are many, such as image analysis, color conversion, denoising, etc., but the most important image processing techniques is image segmentation techniques from a particular region of the image will be carried out with the remaining portion was separated and extracted portion detection, transform, identification, and processing operation.
Image segmentation is the basis of visual understanding, a basic problem in computer vision, and has been applied in many fields. Due to the structure and content of the image type, to achieve rapid generic segmentation remains a challenge. The main contents of the image segmentation: establish an effective segmentation model, reducing the complexity of the segmentation algorithm, and segmentation algorithm to improve the noise immunity and versatility. Due to the split of the different models, a variety of segmentation methods have different advantages and disadvantages. Thresholding method, boundary segmentation methods, region extraction method, combined with specific theoretical tools segmentation method. This article presents a brief introduction of these methods.
Highlighted in this article, cluster analysis is an unsupervised classification, classification by classified samples of similar nature. In the absence of prior knowledge, image segmentation can be done by cluster analysis. Image segmentation method based on cluster analysis of the sample space constraints common good segmentation algorithm. However, cluster analysis-based segmentation method is not perfect, mainly due to cluster analysis of a large amount of the extreme value problems and sensitive to noise samples. This paper analyzes the the image segmentation current research and the main problems facing the clustering algorithm for image segmentation features, focus on clustering algorithm for image segmentation study.
By clustering algorithm is realized, based on the divided picture to re-merge operation, merge operation by comparison, the calculation of the similarity of the pieces on to achieve. Keywords: image segmentation, the complexity of the sample space, clustering split, merge, similarity
目录
1. 绪论 (1)
1.1 开发环境概述 (1)
1.1.1 Visual Studio 2008简介 (1)
1.2 开发语言概述 (2)
1.2.1 C++简介 (2)
1.2.2 C++优点 (2)
1.2.3 C++缺点 (3)
2.图像分割简介 (3)
2.1图像分割概述 (3)
2.1.1图像分割的意义 (4)
2.1.2图像分割的现状及未来 (4)
2.2图像分割技术 (4)
2.2.1图像分割方法及其特点 (5)
3. 图像分割系统 (6)
3.1图像获取 (8)
3.2图像保存 (9)
3.3图像预处理 (9)
3.3.1 Lab色彩模型 (9)
3.3.2 RGB色彩模型 (10)
3.4聚类图像分割 (10)
3.4.1首次确定聚类中心 (10)
3.4.2聚类计算 (12)
3.4.3重新计算聚类中心 (14)
3.4.4聚类分割后的优化 (16)
3.4.5画边界线完成分割 (17)
3.4.6分割结果展示 (17)
3.5图像合并 (17)
3.5.1合并操作的基本步骤 (18)
3.5.2图像合并结果展示 (21)
3.6程序中存在的问题 (22)
3.6.1图像分割中的问题 (22)
3.6.2图像合并中的问题 (23)
结论 (25)
致谢 (26)
参考文献 (27)
1. 绪论
本毕业设计及毕业论文是在Microsoft Visual Studio 2008开发环境中，基于C++语言中的MFC类库实现的。什么是MFC? MFC(Microsoft Foundation Classes)，是一个微软向开发者提供的功能类库（class libraries），以C++类的形式封装了Windows的大量API，集成了众多功能，并且包含一个应用程序设计框架，以减少开发人员的重复劳动规范软件设计。其中包含的类包含大量Windows句柄封装类和很多Windows的内建控件和组件的封装类。
1.1 开发环境概述
1.1.1 Visual Studio 2008简介
Microsoft Visual Studio 2008是面向Windows Vista、Office 2007、Web 2.0的下一代开发工具，代号“Orcas”，是对以前版本的依次重大升级。Visual Studio 2008 提供了很多高级的开发以及调试工具，同时对数据库开发，网页开发提供的良好的支持。例如可视化软件设计器（使用 .NET Framework 3.5 加速开发）、对 Web 开发工具的大量改进，以及数据类型及多语言的支持。
改进1：原型程序快速开发
新设计的软件架构，有助于开发人员经行快速的原型开发，Visual Studio 2008 提供了诸多改进与数据功能，例如集成语言查询 (LINQ)，多个编程人员可以利用这些功能更快捷的构建软件架构。Visual Studio 2008 还使开发人员能够从同一开发环境内创建面向多个 .NET Framework 版本的应用程序。开发人员能够建构面向 .NET Framework 多个版本的的应用程序，意味他们不必改变开发环境便可开发。
改进2：用户体验提升
Visual Studio 2008为软件开发人员发布了在新平台上创建紧密联系的应用程序的新工具，这些平台包括 Web、Windows Vista、Office 2007、SQL Server 2008 和Windows Server 2008。对于新一代Webk开发提供了良好支持。从而可以进行更高效，快速的Web程序从开发到设计的全过程。
改进3：团队协作的支持
Visual Studio 2008 提供多种功能帮助用户进行协作开发，有效提高了开发效率。这同时包括了专业的数据库支持与开发流程工具的支持。
1.2 开发语言概述
1.2.1 C++简介
C++由美国AT&T贝尔实验室的本贾尼·斯特劳斯特卢普博士在20世纪80年代初期发明并实现（最初这种语言被称作“C with Classes”带类的C）。开始，C++是作为C语言的增强版出现的，从给C语言增加类开始，不断的增加新特性。虚函数（virtual function）、运算符重载（operator overloading）、多重继承（multiple inheritance）、模板（template）、异常（exception）、RTTI、命名空间[1]（name space）逐渐被加入标准。
1.2.2 C++优点
? C++继承了C的特点，直接高效。
? C++采用对象的设计风格，成为程序书写的时尚，同时也对面向过程的的语言进行
兼容。
? C++应用范围很广。
? C++性能高效，执行效率高，冗余代码少。
? C++设计成无需复杂的程序设计环境。
?出于要保证语言的运行效率，C++的提供了很多形式多样的类库。这方面的内容可以参考Bjarne Stroustrup的《C++语言的设计和演化》（1994）里做了详尽的陈
述。
?C++语言的集成度很高，首先C语言可以在C++中进行开发，多种其他语言也提供可对C++ 的接口。
?与Java类的方法，C++虽然上手难度大，学习曲线陡峭，但不可否认一旦掌握数量，就会成为程序设计的利器，其与其他语言复杂度的比较也不能单纯以上手难
易度来区分。程序效率，后期维护都需要纳入考虑。
1.2.3 C++缺点
C++的语言复杂是众所周知的，而且版本过多，不容易进行集成开发，难于维护，造
就了很多的遗留系统，对该系统进行维护也变成相当繁重的工作。
由于这种的复杂性，使得C++程序的质量很难得到保证。不同的人写出的程序质量相
差过大，虽然这些语言缺陷才不断改进，但C++语言仍然有漫长的路要走。
c++语言由于过度的复杂性，以及与unix的文化相抵触，在unix/linux领域受到很
多著名人士（比如Linux之父linus torvalds与著名黑客Eric S. Raymond）的强烈批评与抵制。
2.图像分割简介
要了解图像分割，我们首先不得不来解释一下什么是图像分割。图像分割就是指把图像分成各具特征的区域，并把我们感兴趣的目标提取出来的一门技术。对于一幅图像我们
肯定有感兴趣和不感兴趣的地方，而图像分割就能够把我们感兴趣的那一部分分割出来呈现在我们面前在实际图像处理中，一般情况下我们只是注意到图像中那些我们感兴趣的目标，因为只有这部分也就是我们注意到的有用的目标物才能为我们提供高效、有用的信息。而这些目标一般又都对应着图像中某些特定的、具有独特性质的区域。为了把这些有用的区域提取出来供我们人类使用，图像分割这门技术也就应运而生了。我们通常情况下所说的图像分割就是指把图像划分成若干个有意义的区域的过程，每个区域都是具有相近特性的像素的连通集合，一般情况下我们所关注到的那些有用的目标物就存在与这些区域中。
2.1图像分割概述
从上个世纪五六十年代起，图像分割算法的研发工作开始起步，这期间诞生了大量的分割算法，直到今日，给技术仍然才快速发展，这由于分割问题本身的复杂性与需求，造就了越来越多的学者在这一方向进行不断努力。
2.1.1图像分割的意义
图像分割给出对图像的初步理解，其完成的准确性直接决定了后续工作的进度，因此其具有很重要的现实意义和理论意义。
2.1.2图像分割的现状及未来
图像分割技术在多个领域都有很重的应用，由于图像的复杂性，我们很难找到一个统一的图像分割方法，根据图像的特点，充分收集图像先验，提取不同层次的特征，从底层的像素特征，到高层的特征，共同辅助分割过程。在未来，图像分割还会进行更全面的进化的发展，以用于各个专属领域。
2.2图像分割技术
关于图形人们突出了图通的要求，一个典型需求就是区分图像的前景和背景，从而为以后的处理做准备，因此诞生了许多的图像分割技术，本节将对这些技术进行概述。
2.2.1图像分割方法及其特点
2.2.1.1阈值分割
作为一种常见的图像分割方法，图像阈值化分割时间简介，相关运算较少，且性能较稳定成为得到较广泛应用的分割方法。当图像的背景与前景有较清晰的分割时，此方法表现良好。起具体实现过程是根据一个标准，按照图像灰度，对图像进行划分。它特别适用于目标和背景占据不同灰度级范围的图像。
2.2.1.2区域分割
区域分割类似于一种种子填充算法，也可以看成一种层次聚类的方法。通过任意选取的种子点，进行区域层长，直到达到某个停止条件位置，这样能够保证叫相似的的区域进行合并，这通常是背景区域。
2.2.1.3边缘分割
通过边缘检测进行图形分割也是一种重要的分割方法，当图像变化较剧烈的区域通常是边缘区域，这些边缘区域有助于区分前景和背静。图像的变化通常用梯度来刻画，也就是图像的求导操作。常用的边缘检测算子有，一阶微分算子Prewitt算子，Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Kirsh算子和Laplace算子算子等。在实际运算着中这些算子通过卷积直线，其共同的特点是对噪音表现较差。
2.2.1.4聚类分析
聚类分析是一种无监督的机器学习方法，通过定义多个数据点间的相似度，从而把相似的的分到同一簇中(cluster)中，同时保证不同簇中的点进可能不同。常用的聚类方法有k-means,谱聚类，层次聚类等。K-means 通过随机指定的类中心，从而把距离类中心最近点归到相应的分类，归类完毕后，再根据同一个类的点重新计算类中心。如此反复，直到类中心不在发生大的变化。该聚类算法简单易用，但易受到噪音的影响。谱聚类是利用数据点的拓扑结构，根据拉普拉斯矩阵，求解数据代嵌入空间的表示，再利用该表示用k-means方法聚类。层次聚类是把聚类过程层次化，顶层是所有点属于一个类，低层是每个点都是一个类，该聚类算法采用从底向上的顺序，依次合并相似的数据点。直到达到某个阈值终止条件为止。
3. 图像分割系统
功能简介
1.实现基本的图片聚类分割算法，并予以展现。
2.将分割后的图片再合并起来，并展现合并过程。
技术参数：
开发环境：Microsoft Visual Studio 2008
开发语言：C++语言
分割图片格式：jpg，bmp
分辨率：无限制
图片大小：无限制
相关定义：
欧氏距离（Euclid Distance）也称欧几里得度量、欧几里得距离，是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。
分割类：图像经过聚类分割计算后，生成的图像碎片就是分割类。
样本向量：多个像素的色彩信息组成的向量
样本容量：样本向量获取像素的个数
相似度=样本向量j*样本向量k/（样本向量j的长度*样本向量k的长度）步长：确定首次聚类中心间隔的长度以及聚类中心计算范围的值。
系统流程图：
3-1图像系统分割流程图
3.1图像获取
既然我们要做的是图像分割，我们首先要让用户选择一张图片，获取该路径，然后通过该路径该图片读入到内存中去，并将该内存地址获取到，交给下一步图像预处理，进行进一步的处理。同时再分割及合并完成后，为了方便向用户演示结果，我们也应将内存中分割或合并后的结果保存成文件，方便用户查看，所以我们也需要用户进行选择，分割或合并完成后分割后的图片以及合并后的图片的保存路径。
具体实现：
为了获取图片的路径，我选择创建了一个CFileDialog类的对象，并调用该对象的DoModal()显示对话框并使用户可以进行选择, 通过修改该对象m_ofn Windows
OPENFILENAME结构来设置对话框的基本参数，通过调用GetPathName()方法，返回选定文件的完整路径。
图片预览（以上图片仅供参考，可能会随系统不同效果略有不同）：
3-2 打开图片对话框
通过以上操作，我们获得了图片文件的绝对路径，现在我们要做的是将其读入到内存中，并获取到其内存地址。
3.2图像保存
为了获取用户选择的保存路径，我选择调用SHBrowseForFolder()方法来显示一个选择对话框，通过修改其结构参数BROWSEINFO里的各成员，来修改对话框的各个属性，最后通过SHGetPathFromIDList(LPITEMIDLIST, Buffer)方法来获取保存文件的文件路径，并将其保存到Buffer中。
3-3 选择保存路径对话框
通过创建一个bitmap类型的对象，将图片缓存传入，并设置图片的格式及其他参数，调用bitmap对象的save（）方法就可以实现图片的保存。
3.3图像预处理
图像预处理指的是在图像分割前和图像合并前，将图片的色彩信息进行相应的转换，方便在分割时，和合并时，对其颜色信息进行计算和比较。
本系统中，分割时采用LAB色彩模型，合并时采用RGB色彩模型。以下是详细信息。
3.3.1 Lab色彩模型
Lab色彩模型是由亮度（L）和有关色彩的a, b三个要素组成。L表示亮度（Luminosity），a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。L的值域由0到100，L=50时，就相当于50%的黑；a和b的值域都是由+127至-128，其中+127 a就是洋红色，渐渐过渡到-128 a的时候就变成绿色；同样原理，+127 b是黄色，-128 b是蓝色。所有的颜色就以这三个值交互变化所组成。例如，一块色彩的Lab值是L = 100，a = 30, b = 0, 这块色彩就是粉红色。
优点:
Lab色彩模型除了上述不依赖于设备的优点外，还具有它自身的优势：色域宽阔。它不仅包含了RGB，CMYK的所有色域，还能表现它们不能表现的色彩。人的肉眼能感知的色彩，都能通过Lab模型表现出来。另外，Lab色彩模型的绝妙之处还在于它弥补了RGB色彩模型色彩分布不均的不足，因为RGB模型在蓝色到绿色之间的过渡色彩过多，而在绿色到红色之间又缺少黄色和其他色彩。
如果我们想在数字图形的处理中保留尽量宽阔的色域和丰富的色彩，最好选择Lab。
代码实现：由于计算机中存储的图像信息采用的是RGB模型，而并没有RGB直接到Lab 模型的方法，所以选择将RGB先转化为XYZ颜色空间（1931年CIE在RGB系统基础上，改
用三个假想的原色X、Y、 Z建立了一个新的色度系统。将它匹配等能光谱的三刺激值，定名为"CIE1931 标准色度观察者光谱三刺激值"，简称为"CIE1931标准色度观察者"。这一系统叫做"CIE1931标准色度系统"或称为" 2°视场XYZ色度系统"），XYZ颜色空间再转化到Lab。
3.3.2 RGB色彩模型
RGB模型也称为加色法混色模型。它是以RGB三色光互相叠加来实现混色的方法，因而适合于显示器等发光体的显示。其混色规律是：以等量的红、绿、蓝基色光混合时。
其配色方程描述：
F(物体颜色)=R（红色的百分比）+G（绿色的百分比）+B（蓝色的百分比）
RGB色彩空间根据实际使用设备系统能力的不同，有各种不同的实现方法。截至2006年，最常用的是24-位实现方法，也就是红绿蓝每个通道有8位或者256色级。基于这样的24-位RGB 模型的色彩空间可以表现 256×256×256 ≈ 1670万色。一些实现方法采用每原色16位，能在相同范围内实现更高更精确的色彩密度。这在宽域色彩空间中尤其重要，因为大部分通常使用的颜色排列的相对更紧密。
代码实现：由于计算机存储像素信息采用的就是RGB模型，直接获取像素的信息，取最高的8位，中间8位，最低8位就是相应的R、G、B的信息。
3.4聚类图像分割
聚类分割的原理就是比较图像中的像素信息与聚类中心的像素信息哪个更为相似，则将该像素置于那个与其最相似的聚类中心之下，将图像的全部像素进行数次聚类收敛后，聚类分割就完成了，这个过程也就叫聚类图像分割。
聚类算法的一般步骤：
（1）从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2）循环（3）到（4）直到每个聚类不再发生变化为止；
（3）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；
并根据最小距离重新对相应对象进行划分；
（4）重新计算每个（有变化）聚类的均值（中心对象）。
3.4.1首次确定聚类中心
要完成聚类分割，首先要找的就是聚类中心，有了聚类中心我们才能确定，图像的每个像素归属到哪？不同的聚类中心，就把图像分成了不同的图像碎片。而在确定聚类中心之前，我们还需要确定步长。什么是步长？图中的黑点为聚类中心，两个黑点之间的距离就是步长。
3-4图像分割中的聚类中心
步长直接确定了聚类中心之间的间隔，以及聚类中心的位置。
那步长又是什么决定的？步长是由用户输入的第一个值，
3-5用户输入参数实例
来决定的。具体是
int STEP = sqrt(double(height*width/superpixelsize))+0.5;
确定之后也就确定了聚类中心的个数以及位置，前面我们已经获取了图像的Lab颜色信息以及图像大小等信息。现在我们通过聚类中心的位置，可以获取到聚类中心的颜色信息，我们将聚类中心的颜色和位置信息存取到准备好的容器(vector)中去，为后面的聚类计算做好准备。
实现代码：
void SLIC::GetLABXYSeeds_ForGivenStepSize(
vector
vector
vector
vector
vector
const int& STEP,
const bool& perturbseeds,
const vector
{
int numseeds(0);
int n(0);
int xstrips = (0.5+double(m_width)/double(STEP)); //一行能容纳多少个步长
int ystrips = (0.5+double(m_height)/double(STEP));//一列能容纳多少个步长
numseeds = xstrips*ystrips; //一共有多少个步长区域
int xerr = m_width - STEP*xstrips;if(xerr < 0){xstrips--;xerr = m_width - STEP*xstrips;}
int yerr = m_height - STEP*ystrips;if(yerr < 0){ystrips--;yerr = m_height- STEP*ystrips;}
double xerrperstrip = double(xerr)/double(xstrips);
double yerrperstrip = double(yerr)/double(ystrips);
int xoff = STEP/2; //偏移信息
int yoff = STEP/2; //偏移信息
kseedsl.resize(numseeds);
kseedsa.resize(numseeds);
kseedsb.resize(numseeds);
kseedsx.resize(numseeds);
kseedsy.resize(numseeds);
for( int y = 0; y < ystrips; y++ )
{
int ye = y*yerrperstrip;
for( int x = 0; x < xstrips; x++ )
{
int xe = x*xerrperstrip;
int seedx = (x*STEP+xoff+xe); //聚类中心的位置信息
int seedy = (y*STEP+yoff+ye);//聚类中心的位置信息
int i = seedy*m_width + seedx;
kseedsl[n] = m_lvec[i]; //聚类中心的色彩信息
kseedsa[n] = m_avec[i];//聚类中心的色彩信息
kseedsb[n] = m_bvec[i]; //聚类中心的色彩信息
kseedsx[n] = seedx;
kseedsy[n] = seedy;
n++;
}
}
}
3.4.2聚类计算
3.4.2.1确定聚类计算区域
在聚类计算之前，我们首先要确定聚类中心附近距离为多少的像素要对其进行聚类计算。由于我们之前已经根据用书的输入，得到了步长。在这里我们规定每个聚类中心计算区域为以该聚类中心为中心以2个步长为边长的正方形区域。以聚类中心1和2举例，如下图：
3-6 聚类中心计算区域示例图
对应到具体图片上：
3-7聚类中心计算实例图
3.4.2.2计算距离
我们这里所说的距离指的是欧氏距离，在二维空间中的欧氏距离就是两点之间的直线段距离。在这里我们要计算两点之间的两个欧氏距离，一个是Lab颜色空间的欧氏距离，另一个是在图像中的两点之间位置的欧氏距离。为什么我们要计算两个距离，因为我们分割图像时，不仅要关注两点之间的色彩差距，还要关注两点之间的位置差距。从某种意义上讲，色彩上的距离更重要，因为分割的是色彩上有共性的区域。因此我们最终判断的距离是色彩的欧氏距离加上位置上的欧氏距离再乘以一个权重。这个权重跟用户输入的第二个值
3-8用户输入参数二实例图
还有步长有关。具体来说
权重=1.0/((STEP/compactness)*(STEP/compactness))；
最终距离=色彩欧氏距离+位置欧氏距离*权重；
计算时，计算每个像素所能够对应的聚类中心，找到那个距离最短的聚类中心，说明
该像素与该聚类中心是一类，分割时应分割到一个图片碎片中去。这样就把该像素从原有图像中分割出来了。
代码实现：
for( int n = 0; n < numk; n++ )
{
double invwt = 1.0/((STEP/M)*(STEP/M)); //权重
y1 = max(0.0, kseedsy[n]-offset); //聚类区域范围
y2 = min((double)m_height, kseedsy[n]+offset);
x1 = max(0.0, kseedsx[n]-offset);
x2 = min((double)m_width, kseedsx[n]+offset);
for( int y = y1; y < y2; y++ )
{
for( int x = x1; x < x2; x++ )
{
int i = y*m_width + x;//像素
l = m_lvec[i];
a = m_avec[i];
b = m_bvec[i];
dist = (l - kseedsl[n])*(l - kseedsl[n]) +
(a - kseedsa[n])*(a - kseedsa[n]) +
(b - kseedsb[n])*(b - kseedsb[n]);//色彩距离
distxy = (x - kseedsx[n])*(x - kseedsx[n]) +
(y - kseedsy[n])*(y - kseedsy[n]);//位置距离
dist += distxy*invwt;//最终距离
if( dist < distvec[i] )
{
distvec[i] = dist;
klabels[i] = n; //i像素属于第N个分割类
}
}
}
}
3.4.3重新计算聚类中心
再次计算聚类中心时和第一次就有所不同了，这一次计算是根据上面聚类计算完成后，对每个分割类，进行色彩和距离上的平均，这个均值不对应任何一个像素，即使位置信息
可以对的上，其颜色信息也不一定对的上。下图黄色选中区域为分割类1，它的新聚类中心不对应它里的任何一个像素，而是属于分割类1的所有像素的色彩信息和位置信息的平均，即所有信息之和除以像素个数。
下图为一次聚类计算后的图片：
3-9第一次聚类计算后的图片效果
代码实现
for( int r = 0; r < m_height; r++ )
{
for( int c = 0; c < m_width; c++ )
{
sigmal[klabels[ind]] += m_lvec[ind]; /该分割类的色彩信息求和
sigmaa[klabels[ind]] += m_avec[ind];
sigmab[klabels[ind]] += m_bvec[ind];
sigmax[klabels[ind]] += c; //该分割类的位置信息求和
sigmay[klabels[ind]] += r;
clustersize[klabels[ind]] += 1.0; //该分割类像素个数
ind++;
}
}
}
{for( int k = 0; k < numk; k++ )
{
if( clustersize[k] <= 0 ) clustersize[k] = 1;
inv[k] = 1.0/clustersize[k]; //该分割类像素个数的倒数}}
{for( int k = 0; k < numk; k++ ) //求平均结果即为新的聚类中心{
kseedsl[k] = sigmal[k]*inv[k];
kseedsa[k] = sigmaa[k]*inv[k];
kseedsb[k] = sigmab[k]*inv[k];
kseedsx[k] = sigmax[k]*inv[k];
kseedsy[k] = sigmay[k]*inv[k];
}}
3.4.4聚类分割后的优化
通过多次的聚类分割计算和重新计算聚类中心，我们的图像分割大体已经完成。但是
还存在个问题。如下图：
3-10未使用优化函数的分割效果图
图中区域，四周都被同一分割类包围（包括小点），按照标准来说该分割类应该属于包围着它的分割类。为了解决该问题在分割后加入一个优化检测函数，检测每个分割类是否被同一个分割类包围，若是则将此分割类的全部像素归入到包围它的那个分割类，同时取消这个分割类。
使用优化函数后如下对比图所示，原有的分割类消失，并入到外部的分割类。
3-11未使用与使用优化函数的对比图
基于谱聚类的图像分割
本科生毕业设计 姓名：学号： 学院：计算机科学与技术学院 专业：计算机科学与技术 设计题目：基于谱聚类的图像分割 专题：图像分割的设计与实现 指导教师：职称：副教授
大学毕业设计任务书 学院计算机专业年级学生姓名 任务下达日期： 毕业设计日期： 毕业设计题目： 毕业设计专题题目 毕业设计主要内容和要求： 院长签章：指导教师签字：
中国矿业大学毕业设计指导教师评阅书 指导教师评语（①基础理论及基本技能的掌握；②独立解决实际问题的能力；③研究内容的理论依据和技术方法；④取得的主要成果及创新点；⑤工作态度及工作量；⑥总体评价及建议成绩；⑦存在问题；⑧是否同意答辩等）： 成绩：指导教师签字： 年月日
中国矿业大学毕业设计评阅教师评阅书 评阅教师评语（①选题的意义；②基础理论及基本技能的掌握；③综合运用所学知识解决实际问题的能力；③工作量的大小；④取得的主要成果及创新点；⑤写作的规范程度；⑥总体评价及建议成绩；⑦存在问题；⑧是否同意答辩等）： 成绩：评阅教师签字： 年月日
中国矿业大学毕业设计答辩及综合成绩
需求分析 一、利用前台，得到一张原始JPG图片； 二、把这张图片传到后台，JAVA通过JRI调用R； 三、利用R调用K-Means的改进算法，实现对这张图片的处理，由于一张图片的 像素值是一个矩阵，可以得到一组关于像素值的数据； 四、把这组像素值进行分类，对各类赋予不同的颜色进行标记，从而区分出需要的 图片信息； 五、把得到的新图片传到前台； 六、前台对进行处理后的图片进行显示，从图像中得到需要的信息，从而实现图像 的分割。
图像分割毕业设计
目录 摘要........................................................... I Abstract......................................................... I I 第1章绪论 (1) 1.1图像分割概述 (1) 1.2图像分割特征 (1) 1.3图像分割的发展及现状 (1) 1.4研究的背景与意义 (2) 第2章数字图像处理 (3) 2.1发展概况 (3) 2.2主要目的 (4) 2.3常用方法 (4) 2.4应用领域 (5) 2.5研究方向 (7) 2.6基本特点 (7) 2.7MATLAB软件 (8) 第3章阈值分割 (10) 3.1图像二值化 (10) 3.2阈值分割基本原理 (10) 3.3阈值分割方法定义 (11) 3.4阈值分割描述 (11) 3.5阈值分割分类 (12) 第4章阈值分割方法 (13) 4.1直方图法 (13)
4.2迭代法 (14) 4.3最大类间方差法 (17) 4.4小结 (20) 第5章最大类间方差法的改进 (21) 结论 (27) 参考文献 (28) 致谢 (29)
通常人们只对图像的某个区域感兴趣，为了能够把感兴趣的区域提取出来，就得对图像进行分割。图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像处理与分析。图像分割是图像处理的关键，在灰度图像中分割出有意义区域的最基本方法是设置阈值的分割方法。选择阈值的主要方法有：直方图法，迭代法，最大类间方差法。本文主要比较三种方法的优缺点，并对其中的最大类间方差法进行优化，改进分割效果。 关键词：阈值直方图迭代法最大类间方差法
图像分割算法开题报告
图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题
虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效
图像分割技术与MATLAB仿真
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
关于图像分割算法的研究
关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，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它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的
图像分割算法的研究与实现本科学士学位毕业论文
TP391.41 学士学位论文（设计） 论文题目图像分割算法研究与实现 作者姓名 指导教师 所在院系 专业名称 完成时间
毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期：
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日
信息熵在图像分割中的应用毕业论文
信息熵在图像分割中的应用 毕业论文 目录 摘要 ....................................................... .. (1) ABSTRACT (2) 目录 (3) 1 引言 (5) 1.1信息熵的概念 (5) 1.2信息熵的基本性质及证明 (6) 1.2.1 单峰性 (6) 1.2.2 对称性 (7) 1.2.3 渐化性 (7) 1.2.4 展开性 (7) 1.2.5 确定性 (8) 2基于熵的互信息理论 (9) 2.1 互信息的概述 (9) 2.2 互信息的定义 (9) 2.3 熵与互信息的关系 (9) 3 信息熵在图像分割中的应用 (11) 3.1图像分割的基本概念 (11) 3.1.1图像分割的研究现状 (11) 3.1.2 图像分割的方法 (11) 3.2 基于改进粒子群优化的模糊熵煤尘图像分割 (12) 3.2.1 基本粒子群算法 (12) 3.2.2 改进粒子群优化算法 (13) 3.2.3 Morlet变异 (13)
3.2.4改建粒子群优化的图像分割方法 (14) 3.2.5 实验结果及分析 (16) 3.3 一种新信息熵的定义及其在图像分割中的应用 (19) 3.3.1香农熵的概念及性质 (19) 3.3.2一种信息熵的定义及证明 (19) 3.3.3信息熵计算复杂性分析 (21) 3.3.4二维信息熵阈值法 (22) 3.3.5二维信息熵阈值法的复杂性分析 (24) 3.3.6 结论及分析 (25) 4 信息熵在图像配准中的应用 (27) 4.1图像配准的基本概述 (27) 4.2基于互信息的图像配准 (27) 4.3P OWELL算法 (28) 4.4变换 (28) 4.4.1平移变换 (29) 4.4.2旋转变换 (30) 4.5基于互信息的图像配准的设计与实现 (31) 4.5.1总体设计思路和图像配准实现 (31) 4.5.2直方图 (33) 4.5.3联合直方图 (33) 4.5.4灰度级差值技术 (34) 4.4.5优化搜索办法级结论 (35) 5结语 (37) 致谢 (38) 参考文献 (39) 1 引言 1.1.信息熵的概念 1948年，美国科学家发表了一篇著名的论文《通信的数学理论》。他从研究通信系统传输的实质出发，对信息做了科学的定义，并进行了定性和定量的描述。
kmeans聚类图像分割 matlab
function [mu,mask]=kmeans(ima,k) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%% % % kmeans image segmentation % % Input: % ima: grey color image % k: Number of classes % Output: % mu: vector of class means % mask: clasification image mask % % Author: Jose Vicente Manjon Herrera % Email: jmanjon@fis.upv.es % Date: 27-08-2005 % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%% % check image ima=double(ima); copy=ima; % make a copy ima=ima(:); % vectorize ima mi=min(ima); % deal with negative ima=ima-mi+1; % and zero values s=length(ima); % create image histogram m=max(ima)+1; h=zeros(1,m); hc=zeros(1,m); for i=1:s if(ima(i)>0) h(ima(i))=h(ima(i))+1;end; end ind=find(h); hl=length(ind); % initiate centroids mu=(1:k)*m/(k+1);
图像分割算法研究及实现
中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日
中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日
课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。
毕业论文外文翻译-图像分割
图像分割 前一章的资料使我们所研究的图像处理方法开始发生了转变。从输人输出均为图像的处理方法转变为输人为图像而输出为从这些图像中提取出来的属性的处理方法〔这方面在1.1节中定义过)。图像分割是这一方向的另一主要步骤。 分割将图像细分为构成它的子区域或对象。分割的程度取决于要解决的问题。就是说当感兴趣的对象已经被分离出来时就停止分割。例如，在电子元件的自动检测方面，我们关注的是分析产品的图像，检测是否存在特定的异常状态，比如，缺失的元件或断裂的连接线路。超过识别这此元件所需的分割是没有意义的。 异常图像的分割是图像处理中最困难的任务之一。精确的分割决定着计算分析过程的成败。因此，应该特别的关注分割的稳定性。在某些情况下，比如工业检测应用，至少有可能对环境进行适度控制的检测。有经验的图像处理系统设计师总是将相当大的注意力放在这类可能性上。在其他应用方面，比如自动目标采集，系统设计者无法对环境进行控制。所以，通常的方法是将注意力集中于传感器类型的选择上，这样可以增强获取所关注对象的能力，从而减少图像无关细节的影响。一个很好的例子就是，军方利用红外线图像发现有很强热信号的目标，比如移动中的装备和部队。 图像分割算法一般是基于亮度值的不连续性和相似性两个基本特性之一。第一类性质的应用途径是基于亮度的不连续变化分割图像，比如图像的边缘。第二类的主要应用途径是依据事先制定的准则将图像分割为相似的区域，门限处理、区域生长、区域分离和聚合都是这类方法的实例。 本章中，我们将对刚刚提到的两类特性各讨论一些方法。我们先从适合于检测灰度级的不连续性的方法展开，如点、线和边缘。特别是边缘检测近年来已经成为分割算法的主题。除了边缘检测本身，我们还会讨论一些连接边缘线段和把边缘“组装”为边界的方法。关于边缘检测的讨论将在介绍了各种门限处理技术之后进行。门限处理也是一种人们普遍关注的用于分割处理的基础性方法，特别是在速度因素占重要地位的应用中。关于门限处理的讨论将在几种面向区域的分割方法展开的讨论之后进行。之后，我们将讨论一种称为分水岭分割法的形态学
谱聚类Clustering -
聚类分析 1.聚类分析定义： 2.聚类方法： 3.谱聚类： 3.1 常见矩阵变换 3.2 谱聚类流程 3.3 谱聚类理论前提、证明 3.4 图像分割实例结果 4.总结：
聚类分析： ?聚类分析（Cluster analysis，亦称为群集分析）是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。
算法分类： ?数据聚类算法可以分为结构性或者分散性。 ?结构性算法以前成功使用过的聚类器进行分类。结构性算法可以从上至下或者从下至上双向进行计算。从下至上算法从每个对象作为单独分类开始，不断融合其中相近的对象。而从上至下算法则是把所有对象作为一个整体分类，然后逐渐分小。 ?分散型算法是一次确定所有分类。K-均值法及衍生算法。 ?谱聚类（spectral clustering）
结构型：层次聚类的一个例子：
分散型：K-均值算法：
分散型k-means 及其衍生算法的比较：K-means K-Medoids K-Means算法： 1. 将数据分为k个非空子集 2. 计算每个类中心点（k-means
基于MATLAB的图像分割算法研究毕业设计
基于MA TLAB的图像分割算法研究 基于MATLAB的图像分割算法研究 摘要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理图像分割 Abstract This article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time. Key words: image processing image segmentation operator
(完整版)图像分割算法的研究与实现_本科毕业设计
数字图像处理期末考试 题目图像分割算法研究与实现专业班级11通信工程一班
毕业论文（设计）诚信声明 本人声明：所呈交的毕业论文（设计）是在导师指导下进行的研究工作及取得的研究成果，论文中引用他人的文献、数据、图表、资料均已作明确标注，论文中的结论和成果为本人独立完成，真实可靠，不包含他人成果及已获得青岛农业大学或其他教育机构的学位或证书使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 论文（设计）作者签名：日期：2013 年3月10 日 毕业论文（设计）版权使用授权书 本毕业论文（设计）作者同意学校保留并向国家有关部门
或机构送交论文（设计）的复印件和电子版，允许论文（设计）被查阅和借阅。本人授权青岛农业大学可以将本毕业论文（设计）全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本毕业论文（设计）。本人离校后发表或使用该毕业论文（设计）或与该论文（设计）直接相关的学术论文或成果时，单位署名为青岛农业大学。 论文（设计）作者签名：日期：2013 年 3 月10 日 指导教师签名：日期：年月日
目录 摘要: (1) 1．前言 (2) 2．图像分割概念 (3) 2.1图像分割定义 (3) 2.2图像分割方法综述 (4) 2.3阈值法 (5) 2.4 基于边缘检测的分割方法 (9) 2.5基于区域的分割方法 (12) 3．图像分割方法详述 (14) 3.1图像分割方法 (14) 3.2 图像分割方法实现 (14) 4．实验结果及分析 (16) 4.1 实验结果 (16) 4.2 实验结果分析 (20) 5．小结 (23) 5.1 主要工作总结 (23) 5.2 结论 (23) 6．附录 (27)
谱聚类算法及其在图像分割中的应用
谱聚类算法及其在图像分割中的应用 1 引言 在对图像的研究和应用中，人们往往仅对图像中的某些部分或者说某些区域感兴趣。这些部分常称为目标或前景（其他部分称为背景），它们一般对应图像中特定的具有独特性质的区域。为了辨识和分析目标，需要将它们从图像中分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里的特性可以是像素的灰度、颜色和纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。 多年来，对图像分割的研究一直是图像技术研究中的热点和焦点，它不但是从图像处理到图像分析的关键步骤[1]，而且是计算机视觉领域低层次视觉中的主要问题。图像分割的结果是图像特征提取和识别等图像理解的基础，只有在图像被分割后，图像的分析才成为可能。 图像分割在实际应用中已得到了广泛的应用，如图像编码、模式识别、位移估计、目标跟踪、大气图像、军用图像、遥感图像、生物医学图像分析等领域。同时，图像分割也在计算机视觉和图像识别的各种应用系统中占有相当重要的地位，它是研制和开发计算机视觉系统、字符识别和目标自动获取等图像识别和理解系统首先要解决的问题。概括地说只要需对图像目标进行提取测量等都离不开图像分割。 对分割算法的研究已经有几十年的历史，至今借助于各种理论已经提出了数以千计的分割算法[2]，而且这方面的研究仍然在积极进行。尽管人们在图像分割方面做了许多工作，但至今仍无通用的分割算法，也不存在一个判断分割是否成功的客观标准。因此已经提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。实际上由于不同领域的图像千差万别，也不可能存在万能的通用算法。 现有的分割算法非常多，大体上可以分为以下几类：阈值化分割、基于边缘检测的、基于区域的、基于聚类的和基于一些特定理论工具的分割方法。从图像的类型来分最常见的：有灰度图像分割、彩色图像分割和纹理图像分割等等。本
图像分割和特征提取毕业设计
图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
图像分割算法研究与实现毕业设计(论文)
毕业设计（论文） 图像分割算法研究与实现
诚信承诺书 本人郑重承诺：我所呈交的毕业论文《图像分割算法研究与实现》是在指导教师的指导下，独立开展研究取得的成果，文中引用他人的观点和材料，均在文后按顺序列出其参考文献，论文使用的数据真实可靠。 承诺人签名： 日期：年月日
图像分割算法研究与实现 摘要 数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支，其中最主要的是运用MATLAB对图像进行仿真分割，并用各个方法进行分析、对比并得出结论。本文主要介绍了图像分割的基本知识，从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域生长等进行了分析。在边缘检测时对梯度算法中的Sobel算子、Prewitt算子、LoG(Laplacian-Gauss)算子、Canny算子的分割原理逐一介绍并比较各种算子的分割效果。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，本文着重实现基于迭代法的全局阈值及基于Otsu最大类间方差算法的自适应阈值。此外还介绍了区域增长法，它的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像分割MATLAB 边缘检测区域生成阈值分割
Research of Image Segmentation Algorithm ABSTRACT Digital Image Object Segmentation and Extraction is a major concern in the field of digital image processing and computer vision research branch, which the most important is the use of MATLAB for image segmentation and simulation, using each method to carry on the analysis, comparison and conclusion. This paper mainly introduces the basic knowledge of image segmentation, based on the principle and the application effect to the classic image segmentation methods such as edge detection, threshold segmentation and region growing is analyzed. In the edge detection of gradient algorithm in the Sobel operator, Prewitt operator, Log operator, Canny operator segmentation principles introduced and comparison of various operators segmentation. While the threshold segmentation technology is the key to determine a threshold , only a good threshold can effectively divide object and background, this paper focuses on the implementation of the global threshold based on iterative algorithm and based on Otsu adaptive threshold algorithm. It also introduces the regional growth method, its basic idea is to have similar properties to the pixel together constitute a new area. At the same time the paper also analyzes the research direction of image segmentation technology. Key words：Image segmentation MATLAB Edge detection Regional generation Threshold segmentation