k均值算法图像分割.doc
- 文档编号:134069
- 上传时间:2022-10-04
- 格式:DOC
- 页数:27
- 大小:599KB
k均值算法图像分割.doc
《k均值算法图像分割.doc》由会员分享,可在线阅读,更多相关《k均值算法图像分割.doc(27页珍藏版)》请在冰豆网上搜索。
毕业论文(设计)
题目基于特征的图像分割技术
学生姓名万亚堃
学号20111334044
学院电子与信息工程学院
专业通信工程
指导教师 胡昭华老师
二O一五年四月五日
目录
1.绪论 5
1.1 课题研究意义 5
1.2图像分割技术发展概况 5
1.3图像分割方法的现状 7
1.4论文内容 9
2.基于综合特征的图像分割 10
2.1概述 10
2.2颜色空间选取 10
2.3图像特征提取 11
2.3.1颜色特征提取 11
2.3.2纹理特征提取 11
2.4综合特征分割 12
3.K均值算法 12
3.1原始K均值算法 12
3.2K均值聚类分割算法 13
3.2.1聚类 13
3.2.2K-均值聚类算法的工作原理:
13
3.2.3K-means聚类算法的一般步骤:
14
3.2.4K-均值聚类法的缺点:
14
3.3.基于灰度空间的彩色图像像素聚类 14
3.4改进的k-均值聚类图像分割算法 15
3.5分割结果及分析 19
4.本文结论 19
4.1存在的问题以及对未来的展望 19
参考文献 20
致谢 22
附一:
K-均值聚类改进前的matlab源程序 23
基于特征的图像分割技术
万亚堃
南京信息工程大学电子与信息工程学院,江苏南京210044
摘要:
图像分割是指将一副图像分解为若干互不交叠的有意义且具有相同属性的区域。
图像分割是数字图像处理中的一项关键技术,其分割的准确性直接影响后续任务的有效性,因此具有十分重要的意义。
现有的分割算法在不同程度上取得了一定的成功,但是图像分割的很多问题还远远没有解决,该方面的研究仍然面临很多挑战。
本文采用改进的K均值算法进行图像分割,在颜色空间选取上也采用比较好的RBG颜色空间,对图像分别进行了颜色特征提取与纹理特征提取,最后进行了原始K均值算法与改进后的K均值算法分割图形的比较,实验结果表明本文提出的方法可以很好的从图像中分割出有意义的区域,更突出目标区域。
关键词:
图像分割,颜色空间,K均值聚类。
Basedonthecharacteristicsoftheimagesegmentationtechnology
Wanyakun
NUIST,Nanjing210044,China
Abstract:
Imagesegmentationisapairofimagesaredecomposedintoseveralmutuallyoverlappingareaofmeaningfulandwiththesameattribute.Imagesegmentationisakeytechnologyofdigitalimageprocessing,Thesegmentationaccuracydirectlyaffecttheeffectivenessofthesubsequenttask,Soitisofvitalsignificance.Existingsegmentationalgorithmindifferentdegree,hasachievedsomesuccess,butisfarfromsolvedmanyproblemsofimagesegmentation,theresearchstillfacesmanychallenges.
Imagesegmentationisoneofthemostbasicandimportantfieldinimageprocessing,istovisualimageanalysisandpatternrecognitionisthebasicpremise.ProposedinthispaperUSEStheimprovedk-meansalgorithmforimagesegmentation,ontheselectionofcolorspaceisbetterHUVbasedoncolorspace(bylinearRBGcolorspacetransformation).Imagefeatureandcolorfeatureextractionoftexturefeatureextractionrespectively,finallyhascarriedontheoriginalk-meansalgorithmandtheimprovedk-meansalgorithmsegmentationgraphicalcomparisonoftheexperimentalresultsshowthattheproposedapproachcanbeverygoodmeaningfulregionssegmentedfromtheimage.
Keywords:
Imagesegmentation,colorspace,k-meansclustering.
1.绪论
1.1 课题研究意义
图像分割是数字图像处理中的一项关键技术,它通常用于对图像进行分析、识别、编码等处理之前的预处理环节,其分割的准确性直接影响后续任务的有效性,因此具有十分重要的意义。
自上世纪70年代以来,已经出现了多种图像分割方法,而每一种图像分割方法都是为了解决一些特定的应用问题。
该技术成功地应用于许多领域,例如:
交通路口的电子警察、光学字符识别(OCR)、指纹识别、机动车牌号识别等等。
图像分割是指将一副图像分解为若干互不交叠的有意义且具有相同属性的区域。
好的图像分割应具备的特性:
①分割出来的各区域对某种性质如灰度、纹理而言具有相似性,区域内部比较平整;②相邻区域对分割所依据的性质有明显的差异;③区域边界上是明确和规整的。
大多数图像分割方法只是部分满足上述特征。
如果强调分割区域的同性质约束,则分割区域很容易产生大量小孔和不规则边缘;若强调不同区域间性质差异的显著性,则易造成不
同区域的合并。
具体处理时,不同的图像分割方法总是在各种约束条件之间寻找一种合理的平衡。
虽然图像分割方法已经有了很大的发展,但由于它的复杂性,仍有很多问题没有很好地得到解决。
因此,人们至今还一直在努力发展新的、更有潜力的分割算法,以期实现更通用、更完美的分割结果。
实践表明,对图像分割理论与技术的进一步研究仍然具有非常重要的意义。
本文首先对数字图像分割的一些经典分割方法作了概述,然后分析了现有项目开发中使用的图像分割方法所存在的问题,最后基于经典算法进行技术改进,实现了一种新的分割方
法,并将其应用到实验当中,取得了良好的效果。
1.2图像分割技术发展概况
利用计算机进行图像处理有两个目的:
一是产生出更适合人观察和识别的图像,二是希望能够由计算机自动识别和理解图像。
无论为了哪种目的,关键的一步就是能够对包含有大量、各式各样景物信息的图像进行分解,分解的最终结果是一些具有某种特征的最小成分即图像的基元。
图像的特征指图像中可用作标志的属性。
它可分为图像统计特征和图像的视觉特征两类。
图像的视觉特征是一些人为特征,需通过变换才能得到,如图像的直方图。
图像的视觉特征指人的视觉可直接感受到的自然特征,如区域的亮度、纹理或轮廓等等。
上述将图像分解成具有不同特殊单元的过程就是图像的分割,由此可以看出,图像分割是实现图像分析的重要步骤。
图像分割是图像分析的初始步骤之一,也是图像处理最原始的问题,几乎自数字图像处理问世不久,人们就开始了图像分割技术的研究,并取得了相当的进展和成功。
但由于它的复杂性,有许多问题没有很好地解决,因此人们至今还一直在努力发展新的、更有潜力的分
割算法,以期实现更通用、更完美的分割结果。
图像分割是计算机图像处理的一个基本问题,是许多后续图像分析任务的第一步处理,特别是对于图像识别、图像的可视化和基于目标的图像压缩都高度依赖于分割结果。
图像分割是由图像处理进到图像分析的关键步骤,也是一种基本的计算机视觉技术,这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始的图像转化为更抽象、更紧凑的形式,使得更高层的分析和理解成为可能。
通常,分割问题包括将给定图像中相似的块分割成一个区,相邻的分割结果是不相似的。
从另一个角度
说,分割也可以被认为是像素的标记处理,属于同一区域的像素被标上相同的号。
一直以来,人们致力于分割方法的研究,提出了很多分割方法。
但是,图像分割仍然是图像处理中的一
个瓶颈。
实际上,图像分割就是把图像中的目标分成许多感兴趣的区域与图像中各种物体目标相对应。
目前可能的理解图像方法只限于信息中部分特征,如:
灰度差别、局部纹理差别、
彩色差别、局部统计特征或局部区域的频谱特征的差别等成熟技术表征的特征。
既然我们只能用图像信息中某些部分特征去分割区域,因此各种分割方法必然带有局限性。
迄今为止,还没有一种图像分割方法适用于所有的图像。
图像分割的实质是要正确地划分属性空间,使得具有相同属性的像素归属于同一区域,不同属性的像素归属不同的区域。
图像分割方法的研究始于上世纪50年代,研究己有几十年的历史,借助各种理论
至今已提出了上千种各种类型的分割算法,而且这方面的研究仍在积极进行中。
经典的
图像分割方法分为以下几种:
1、阈值分割技术
阈值分割技术是经典的、流行的图像分割方法之一,也是最简单的一种图像分割方法,这种方法的关键在于寻找适当的灰度阈值。
常用的方法有最大类间方差法、最小误差法、最大熵法等。
这些方法都是基于一维灰度直方图,而且对整幅图像使用一个固定全局阈值,如果图像中有阴影或光照不均等,分割效果会受到影响。
为此,提出了用二维直方图或者动态阈值等技术进行分割,但同时计算复杂度会增加。
阈值分割技术它仅适用于高反差的简单图像的分割,不能满足灰度渐变或以某种纹理而不是灰度来表征不同区域的那些复杂图像的分割。
2、区域技术
区域技术通过对目标像素的直接检测来实现分割。
区域生长法是一种常用的区域技术。
区域增长是:
先从每个需要分割的目标中找一个种子像素作为生长的起点,然后将其周围的像素按照某种相似性标准(如灰度相似性)与之对比,如果满足标准则合并到种子像素的集合内,将新合并的像素作为新的种子像素继续向外扩展,直到找不到满足条件的像素为止。
这种方法能够同时利用图像的多种性质进行分割,但是由于它采用串行机制,计算时间较长,实时性较差。
3、边缘检测技术
图像分割能够通过检测不同区域的边缘来获得。
在目标的边缘处常常有灰度的急剧变化,借助各种空域微分算子,如梯度算子,方向算子,拉普拉斯算子和马尔算子等,能够检测出图像中具有边缘特性的像素点。
在此基础上,采用边界闭合技术把边缘像素连接起来组成目标区域的封闭边界,从而达到分割的目的。
但边界检测是一项困难的工作,因为通常图像的边界都很难找到。
随着数学工具,成像设备和计算机技术的发展,图像分割方法呈现出新的特点
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 均值 算法 图像 分割