【導讀】數(shù)據(jù)挖掘技術(shù)是近幾年國內(nèi)迅速開始發(fā)展起來的一門新技術(shù),其研究涉及機器學習、圖像分割是圖像分析中的一個基本問題，隨著技術(shù)的進步,圖像使用的越來越多,對圖。像的分割也越來越引起人們的重視。本文主要是通過數(shù)據(jù)挖掘中聚類分析算法對圖像進行分割。本文首先簡要概述了本課。題的背景、國內(nèi)外動態(tài)；其次又詳細介紹了數(shù)據(jù)挖掘的基本知識和聚類分析的各種算法；割；最后，通過圖像分割系統(tǒng)在遙感中的應(yīng)用，驗證系統(tǒng)的有效性。

　　

【正文】 首先隨機地選擇 k個對象，每個對象代表了一個簇的平均值或中心。對剩余的每個對象，根據(jù)其與各個簇中心的距離，將它放入最近的簇，然后重新計算每個簇的平均值。這個過程不斷重復，直到準則函數(shù)收斂。通常，采用平方誤差準則函數(shù)，其定義如下： 21? ?? ? ?? ki Cp ii mpE E是數(shù)據(jù)集中所有對象的平方誤差的總和， p 是空間中的點，表示給定的數(shù)據(jù)對象， m 21 是簇 Ci的平均值（ p和 mi都是多維的）。 算法描述 輸入：簇的數(shù)目上和包含 n 個對象的數(shù)據(jù)庫。 輸出： K 個簇，使平方誤差準則最小。 方法： 1) 任意選擇 k個對象作為初始的簇 中心； 2) Repeat； 3) 根據(jù)簇中對象的平均值，將每個對象重新賦給最類似的簇； 4) 更新簇的平均值，即計算每個簇中對象的平均值； 5) Until 各簇的中心點不再發(fā)生變化； 算法評述 (1)時間復雜度 )(nktO ，其中 ,n 是所有對象的數(shù)目 ,k是簇的數(shù)目 ,t是迭代的次數(shù)。通常 ,kn,且 tn 時算法以局部最優(yōu)結(jié)束。 (2)特點分析 優(yōu)點： 該算法計算速度快，算法結(jié)構(gòu)簡潔，靈活性強；當結(jié)果簇是密集的，而簇與簇之間區(qū)別明顯時，它的效果較好；用于處理大數(shù)據(jù)集時， 具有相對可伸縮性和高效性。 缺點： 該方法只有在簇的平均值被定義的情況下才能使用，這使其不適用于有分類屬性的數(shù)據(jù)；要求用戶必須事先給出要生成的簇的數(shù)目，對于先驗知識有較強的依賴性；由于在計算對象間差異時采用了阿基米德距離、曼哈頓距離等計算方法作為半徑，因而難于發(fā)現(xiàn)非凸面形狀的簇，和大小差別很大的簇；對于“噪聲”和孤立點數(shù)據(jù)是敏感的，少量的該類數(shù)據(jù)能夠?qū)ζ骄诞a(chǎn)生極大的影響。 圖片顯示模塊 首先將 RGB 的值轉(zhuǎn)換成 Pixels[x][y]的形式 ,具體轉(zhuǎn)換過程如下： pBitmapCanvasPixels[x][y]=R+(G8)+(B16)。 然后 通過函數(shù) ImageCanvasDraw(0,0,pBitmap)來實現(xiàn)顯示圖片 ， 從而實現(xiàn)本模塊的功能。 22 實驗分析 為了 初步確定此系統(tǒng)的圖像分割效果， 本節(jié)將演示對一幅 .bmp 格式的圖片進行圖像分割的 效果 。原圖如 圖 所示： 圖 原圖 在 RGB 顏色空間下進行圖像分割，在輸入的 K 值不同的情況下，其效果如下： 圖 分割 后 K=4 圖 分割 后 K=5 圖 分割 后 K=6 在 HSV顏色空間下進行圖像分割，其效果隨 K 值變化情況如下： 圖 分割 后 K=4 圖 分割 后 K=5 圖 分割 后 K=6 由上可以看出，此系統(tǒng)可以 根據(jù) K 值的不同，按照要求進行圖像分割。顯而易見的是，圖像分割的效果，與選取的 K 值有很大關(guān)系。 K 值太小，會使某些顏色不能分辨出來，從視覺來看，與實際圖像差別很大；而 K 值太大，又會影響效果，當大到一定程序， 分割的效果也不會有多大的變化，因此，選取合適的 K 值很重要，這也是此算法一個很大的缺點。 23 4. 遙感圖像在圖像分割系統(tǒng)的應(yīng)用 遙感的基本概念 遙感的定義 遙感 (remote sensing)是 20世紀 60年代發(fā)展起來的對地觀測綜合性技術(shù)。簡單地理解就是“遙遠的感知 ”。 遙感是應(yīng)用探測儀器，不與探測目標相接觸，從遠處把目標的電磁波特性記錄下來，通過分析，揭示出物體的特征性質(zhì)及其變化的綜合性探測技術(shù) 。 遙感技術(shù)的發(fā)展，揭開了人類從外層空間觀測地球、探索宇宙空間的序幕，為我們認識國土、開發(fā)資源、 研究環(huán)境、分析全球變化找到了新的途徑。遙感數(shù)字圖像處理是計算機數(shù)字圖像處理技術(shù)與遙感圖像分析技術(shù)結(jié)合而形成的一門新興科學。遙感數(shù)字圖像處理技術(shù)的出現(xiàn)，從根本上改變了傳統(tǒng)遙感圖像的處理方式與識別方式，為遙感技術(shù)系統(tǒng)的完善，實現(xiàn)對地物高效、快速識別以及多源信息的數(shù)字化融合處理創(chuàng)造了良好的條件。 遙感的 基 本原理 遙感圖像數(shù)據(jù)反映的是成像區(qū)域內(nèi)地物的電磁波輻射能 力 ，有明確的物理意義，而地物反射和發(fā)射電磁波能量的能力又直接與地物本身的屬性和狀態(tài)有關(guān)，因此遙感圖像數(shù)據(jù)值的大小及其變化主要是由地物的類型及變化 所引起的。遙感的基本原理就是通過對遙感圖像數(shù)據(jù)的大小和變化規(guī)律的分析處理來有效地識別和研究地物類型。遙感數(shù)字圖像處理作為遙感圖像處理的一種重要手段，是利用計算機通過數(shù)字處理的方法來增強和提取遙感圖像中的專業(yè)信息。 遙感數(shù)據(jù)的分類 遙感影像分類根據(jù)是否需要先驗知識可分為監(jiān)督分類和非監(jiān)督分類。 監(jiān)督分類 :首先需要從研究區(qū)域選取有代表性的訓練場地作為樣本 。根據(jù)已知訓練區(qū)提供的樣本，通過選擇特征參數(shù) (如像元灰度值、方差等 )，建立判別函數(shù)，據(jù)此對樣本像 24 元進行分類，依據(jù)樣本類別的特征來識別非樣本像元的歸屬類 別。 非監(jiān)督分類 :是在沒有先驗類別 (訓練場地 )作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進行歸類合并。 遙感圖像的無監(jiān)督分類，通過聚類分析抽取特征，在對研究對象沒有任何先驗知識的情況下，充分利用遙感影像地物光譜特征的分布規(guī)律，可以提供對于待研究圖像一個總體的、概況性的描述，具有操作簡便、快速和有利于計算機進行自動識別的優(yōu)點。長期以來受到人們的重視，結(jié)合實地調(diào)查與樣本分析，得到了廣泛的應(yīng)用。 Kmeans算法是對遙感圖像在沒有先驗知識情況下進行無監(jiān)督分類的重要算法之一，在遙感影像的分 析中 有著 廣泛的應(yīng)用。 遙感圖像 分割 在遙感圖像分割應(yīng)用中，我們選取了東營地區(qū)的一幅 30 米分辨率的遙感圖像 ，從圖像中截取了 2 個不同部分，如圖 、圖 ，分別 在 RGB 和 HSV 顏色空間下 對 三幅圖像 進行分割，并對結(jié)果進行分析。 遙感圖像的 RGB 顏色空間下 圖像分割 本文選取了 2 幅 .bmp 格式的圖片， 如圖 、圖 所示，其中圖 更有規(guī)律，圖 內(nèi)像素的聚集較雜亂無章。 圖 遙感圖一 圖 遙感 圖 二 將圖 中的圖片，分別在 K=4, 5, 6 的情況下進行圖像分割，其效果如下： 25 圖 分割后 K=4 圖 分割后 K=5 圖 分割后 K=6 由圖 的圖像分割后的效果圖中圈內(nèi)區(qū)域的雜點數(shù) （如圖中 橢圓 黑圈中所標示） 可以看出，隨著 K值的增大，圖像分割后的雜點數(shù)目越來越多， 說明圖像分割中雜點的數(shù)目與選取的 K值有很大的關(guān)系。 將圖 中的圖片，分別在 K=4, 5, 6 的情況下進行圖像分割，其效果如下： 圖 分割后 K=4 圖 分割后 K=5 圖 分割后 K=6 在 視覺上 從總體 來說，圖 比圖 分割后的效果圖更清晰，雜點數(shù)目少。由此可以看出，圖像越雜亂無章，分割后的雜點數(shù)目越多，效果越不理想。 遙感圖像的 HSV顏色空間下圖像分割 在本 節(jié) 中， 仍然 選取了 圖 、圖 的 遙感圖片，分別在 k=4， 5， 6 下進行聚類，其結(jié)果如下： 將圖 中的圖片，分別在 K=4, 5, 6 的情況下進行圖像分割，其效果如下： 圖 分割 后 K=4 圖 分割后 K=5 圖 分割后 K=6 26 容易 可以得出，隨著 K 值得增大，圖像內(nèi)的雜點數(shù)目越多 。 比較圖 、圖 、圖 中紫色橢圓線框內(nèi)的圖像可以看出，圖 內(nèi)的橢圓形區(qū)域，在 HSV顏色空間下， 圖像內(nèi)的雜點數(shù)更少，轉(zhuǎn)換后的效果也越好 。 將圖 中的圖片，分別在 K=4, 5, 6 的情況下進行圖像分割，其效果如下： 圖 分割后 K=4 圖 分割后 K=5 圖 分割后 K=5 比較圖 的 RGB 顏色空間下和 HSV 空間下的圖像分割效果，可以發(fā)現(xiàn)，后者的效果也要比前者好的多，其中， K=4 是效果最好的。 特別是如圖中黃色橢圓線框的區(qū)域，后者空間 下的雜點少， 比前者空間能更好的將同類事物分到一類，從而更符合事實。 RGB 和 HSV 顏色空間下圖像分割效果比較 本節(jié)將從圖像分割后的區(qū)域內(nèi)雜點數(shù)、視覺效果 兩 個方面，對二者進行比較分析 比較 ，結(jié)果 如下： [1] 從圖像分割后區(qū)域內(nèi)的雜點數(shù)來說， HSV 空間下的效果更好些，特別是由 圖 的兩個 不同 空間的轉(zhuǎn)換效果 圖 可以看出，其內(nèi)部的雜點比 在 RGB 顏色空間下的少多了。 [2] 從視覺效果上看， HSV顏色空間比 RGB 顏色空間能更好的符合原來圖像的特點要求，它能更好的 將 原圖的同類事物 分到一類 ，從而更有效的識別地物類型。 綜上 所述， HSV空間能更好的滿足圖像分割要求 。 27 總結(jié) 本論文主要 是采用聚類分析算法中的 Kmeans 算法實現(xiàn)了圖像分割系統(tǒng)。可以看出，采用此算法可以比較好的實現(xiàn)圖像分割的效果。但是，其缺點也是顯而易見的，由于算法開始選取的中心點是隨即選取的，所以只能達到局部最優(yōu)；圖像分割系統(tǒng)的分割效果與 K值是有很大的關(guān)系的，由于很難估計出 K 值的 大小，所以限制了此系統(tǒng)應(yīng)用的便利性 。 在本論文中，采用了兩種顏色空間下進行圖像分割系統(tǒng)的實現(xiàn)： RGB 和 HSV 顏色空間。相比而說，后者的顏色空間下的圖像分割效果能比前者的雜點數(shù)目少， 視覺效果也更好， 能更好的實現(xiàn)圖像分割的功能。 28 謝辭 本文能夠成功的完成，要特別感謝我的導師邵峰晶教授的關(guān)懷和教導，特別要感謝孫仁誠孫老的關(guān)心和指導， 在他的悉心指導與關(guān)心下本論文才得以完成。從整個的結(jié)構(gòu)調(diào)整，自始至終都得到了他無微不至的關(guān)懷、幫助和指導，他嚴謹?shù)闹螌W態(tài)度、敏銳的科學頭腦以及對先進知識的 了解和 追求都令我受益匪淺。 同時 也要感謝感謝同一梯隊的師兄師姐，特別是柯爽師姐的關(guān)心和幫助；感謝學校為學生不斷改善學習環(huán)境、校圖書館中圖書的不斷充實為學子擴充各方面的知識提供多方面便利條件、學院各領(lǐng)導老師對畢業(yè)生前途的關(guān)注等。 大學本科的學習生活即將結(jié)束，在此，我要感謝所有曾經(jīng)教導過我的老師和關(guān)心過我的同學，他們在我成長過程中給予了我很大的幫助。在青島大學信息工程學院學習的四年時間里，使我在專業(yè)理論知識方面受益匪淺，收獲頗多。 在此， 再一次 向一直幫助和關(guān)心我的老師和同學致以誠摯的謝意！ 29 參考文獻 [1].邵峰晶等 .數(shù)據(jù)挖掘原理與算法 [M].中國水利水電出版社 .2021 [2].毛國君等 .數(shù)據(jù)挖掘原理與算法 [M].清華大學出版社 .2021 [3].曹莉華．基于多種主色調(diào)的圖像檢索算法研究與實現(xiàn) [J]．計算機學報 . (9):96100 [4].JiaweiHan,Micheline Kamber. 數(shù)據(jù)挖掘 概 念 與 技 術(shù) [M]. 機 械 工 業(yè) 出 版社 .2021:4387 [5].陳寧，周龍 .數(shù)據(jù)采掘技術(shù) [J].計算機世界 .1998,(8):1415 [6].鄭之開，張廣凡 .數(shù)據(jù)采掘與知識發(fā)現(xiàn) :回顧和展望 [J].信息與控制 .1999,(10): 2527 [7].王實，高文 .數(shù)據(jù)挖掘中的聚類方法 [J].計算機科學 .2021, 12(7): 2931 [8].賈克斌 .信息系統(tǒng)設(shè)計中聚類分析方法的研究 [J].北京工業(yè)大學學報 .1999 [9].戴昌達，姜小光，唐伶俐 .遙感圖像應(yīng)用處理與分析 [M].北京 .清華大學出版社 .2021 [10].朱明．數(shù)據(jù)挖掘 [M]．合肥：中國科學技術(shù)大學出版社 [M].2021： 56 [11].章毓晉．圖像分割 [M].科學出版社 .2021 [12].許向東，張全壽．數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的應(yīng)用 [J]．計算機系統(tǒng)應(yīng)用 .1998(4)：2O24． [13].章孝燦，黃智才 .遙感數(shù)字圖像處理 [M].杭州 :浙江大學出版社 .2021 [14].王珊：數(shù)據(jù)倉庫技術(shù)與聯(lián)機分析處理 [M]．北京科學出版社， 1998 [15].容觀澳 .計算機圖象處理 [M].北京 :清華大學出版社 .2021年 [16].王實，高文 .數(shù)據(jù)挖掘中的聚類方法 [J].計算機科學 .2021(4):7579 [17].宋擒豹，沈鈞毅 .神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法中的數(shù)據(jù)準備問題 [J].計算機工程與應(yīng)用 .2021(12):6167 [18].李業(yè)麗，常桂然，徐茜 .神經(jīng)網(wǎng)絡(luò) 在數(shù)據(jù)挖掘中的應(yīng)用研究 [J].計算機工程與應(yīng)用 .2021(8):7781 [19].唐常杰等 .歷史數(shù)據(jù)、知識發(fā)現(xiàn)與數(shù)據(jù)倉庫 [J].計算機應(yīng)用 .1996,21(2): 3438.