基于k-均值聚類算法的彩色圖像分割改進(jìn)算法(編輯修改稿)
2025-01-11 02:26 本頁面
【文章內(nèi)容簡介】 方法適用于所有圖像分割處理。傳統(tǒng)的圖像分割方法存在著不足，不能滿足人們的要求，為進(jìn)一步的圖像分析和理解帶來了困難。 2 圖像分割主要研究方法 圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)， 圖像分割是把圖像分割成若干個(gè)特定的、具有獨(dú)特 性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程，這些特性可以是像素的灰度、顏色、紋理等提取的目標(biāo)可以是對(duì)應(yīng)的單個(gè)區(qū)域，也可以是對(duì)應(yīng)的多個(gè)區(qū)域。圖像分割方法有許多種分類方式，在這里將分割方法概括為四類： 邊緣檢測(cè)方 法 [1][2]、 區(qū)域 生長 方 法 [3]、 閾值分割方 法 [4]及 結(jié)合特定理論工具的分割方法。 2 K均值聚類算法 聚類概念 將物理或抽象對(duì)象的集合分成由類似的對(duì)象組成的多個(gè)類的過程被稱為聚類。由聚類所生成的簇是一組數(shù)據(jù)對(duì)象的集合，這些對(duì)象與同一個(gè)簇中的對(duì)象彼此相似，與其他簇中的對(duì)象相異。聚類分析又稱群 分析，它是研究（樣品或指標(biāo)）分類問題的一種統(tǒng)計(jì)分析方法。 聚類分析計(jì)算方法主要有如下幾種：劃分方法，層次方法， 基于密度的方法 ， 基于網(wǎng)格的方法 ， 基于模型的方法 。 K均值 聚類算法是著名的劃分聚類分割方法。劃分方法的基本思想是： 給定一個(gè)有 N 個(gè)元組或者紀(jì)錄的數(shù)據(jù)集，分裂法將構(gòu)造 K 個(gè)分組，每一個(gè)分組就代表一個(gè)聚類， KN。而且這 K 個(gè)分組滿足下列條件：（ 1） 每一個(gè)分組至少包含一個(gè)數(shù)據(jù)紀(jì)錄；（ 2）每一個(gè)數(shù)據(jù)紀(jì)錄屬于且僅屬于一個(gè)分組；對(duì)于給定的 K，算法首先給出一個(gè)初始的分組方法，以后通過反復(fù)迭代的方法改變分組，使得每一次 改進(jìn)之后的分組方案都較前一次好，而所謂好的標(biāo)準(zhǔn)就是：同一分組中的記錄越近越好，而不同分組中的紀(jì)錄越遠(yuǎn)越好。 K均值聚類算法 kmeans 算法是 machine learning 領(lǐng)域內(nèi)比較常用的算法之一。 先隨機(jī)選取 K 個(gè)對(duì)象作為初始的聚類中心。然后計(jì)算每個(gè)對(duì)象與各個(gè)種子 3 聚類中心之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對(duì)象就代表一個(gè)聚類。一旦全部對(duì)象都被分配了，每個(gè)聚類的聚類中心會(huì)根據(jù)聚類中現(xiàn)有的對(duì)象被重新計(jì)算。這個(gè)過程將不斷重復(fù)直到滿足某個(gè)終止條件。終止條件可以是 以下任何一個(gè)： 1)沒有（或最小數(shù)目）對(duì)象被重新分配給不同的聚類。 2)沒有（或最小數(shù)目）聚類中心再發(fā)生變化。 3)誤差平方和局部最小。 將樣本集劃分成 k 個(gè)類，這種劃分使得下式最小 21 ijkijjxE x m??????? （ ） jm 是第 j 個(gè)類的質(zhì) 心， 如果想要設(shè)計(jì)一個(gè)算法求得全局最優(yōu)解，就必須完成 C(n,k) 次聚類，找出其中使得 E 最小的聚類 結(jié)果。而 K 均值聚類則是一個(gè)求得局部最優(yōu)解的算法。 采用 歐氏距離 進(jìn)行距離測(cè)量， 在 n 維空間中歐氏距離的公式是： ? ? 1 / 221=niiiD x m????????? （ ） K均值聚類算法描述 （ 1）從 n 個(gè)樣本中選擇 k 個(gè)質(zhì)心 （ 2）將數(shù)據(jù)集當(dāng)中每一個(gè) ix 分配到與之相距最近的質(zhì)心 jm 代表的聚類中 （ 3）分配后，質(zhì)心會(huì)發(fā)生變化，計(jì)算新質(zhì)心以及 E 值 （ 4）重復(fù)（ 2）和（ 3）直到達(dá)到最大迭代次數(shù)或新計(jì)算的 E 值與上一次迭代得到的 E 值之間的差別小于一個(gè)給定的閾值 3 基于 K均值聚類的 彩色 圖像分割算法 及改進(jìn) 引言 K均值聚類法在圖像分割中得到廣泛應(yīng)用 [5][6] 。在 K均值算法中，常規(guī)的優(yōu)化算法主要針對(duì)聚類數(shù)和聚類中心的選取 [8][9]，即通過一些檢測(cè)聚類有效性的 4 函數(shù)計(jì)算最佳聚類數(shù) k ，并在此基礎(chǔ)上優(yōu)化分割效果。近年的一些研究 [10][11]表明，融合多種圖像特征更有利于獲得較好的分割效果，文獻(xiàn) [7]的研究表明，在對(duì)自然彩色圖像進(jìn)行分割時(shí)，考慮了像 素的空間特征，算法有更好的魯棒性。 圖像特征提取 顏色特征的提取 顏色特征是在圖像分割中應(yīng)用最為廣泛的視覺特征，在本文的彩色圖像分割算法中，我們采用了 Lab 色彩模型。在 Lab 模式下，圖像的亮度信息和色彩信息被
研究報(bào)告相關(guān)推薦
鄂ICP備17016276號(hào)-1