【正文】 感謝他們四年來的辛勤栽培。不積跬步何以至千里，本設(shè)計能夠順利的完成，感謝各位可敬的師長、同學、朋友給了我太多精神的鼓舞和學術(shù)上的幫助，正是有了他們的悉心幫助和支持，才使我的畢業(yè)論文工作順利完成。參考文獻[1]Rafael C Gonzalez,Richard E ,阮宇智譯,北京:電子工業(yè)出版社,2007:67.[2]Rafael C Gonzalez,Richard E Woods,北京:電子工業(yè)出版社,2005:7174.[3]林旭梅,:中國石油大學出版社,2010:4985.[4]:東北大學出版社,2005:5572.[5]蔡升華,[J].北京:電力勘測,2000:2527.[6]:科學出版社,(9):13851391.[7]邵銳,巫兆聰,[J].北京:現(xiàn)代測繪,2005:35.[8]于劍,[J].北京:中國科學(E輯),2002:274280.[9]王植,[J].北京:中國圖形圖像學報,2004:957962.[10]:山東大學出版社,2005:3584.[11]楊善林,李永森,[J].北京:系統(tǒng)工程理論與實踐,2006:97101.[12][D].重慶:重慶大學出版社,2002:4468.致謝本設(shè)計在申哲老師的悉心指導和嚴格要求下已完成，從課題選擇、方案論證到具體設(shè)計和調(diào)試，無不凝聚著申老師的心血和汗水，她嚴肅的科學態(tài)度，嚴謹?shù)闹螌W精神，精益求精的工作作風，深深地感染和激勵著我。新的分割方法的研究主要以自動、精確、快速、自適應(yīng)和魯棒性等幾個方向作為研究目標。結(jié)論以上對彩色圖像分割做了幾種方法的研究，并將改進的K均值理論應(yīng)用在圖像分割中，發(fā)現(xiàn)K均值理論在圖像分割中具有很高的應(yīng)用價值。)。figure,imshow(segmented_images(:,:,:,6)),xlabel(39。magenta objects39。)。figure,imshow(segmented_images(:,:,:,4)),xlabel(39。green objects39。)。figure,imshow(segmented_images(:,:,:,2)),xlabel(39。background39。 %不是標號顏色的像素置0segmented_images(:,:,:,count) = color。for count = 1:nColorscolor = fabric。rgb_label = repmat(label,[1 1 3])。 %求出最小距離的顏色label = color_labels(label)。 %初始化距離矩陣for count = 1:nColorsdistance(:,:,count) = ( (a color_markers(count,1)).^2 + ...(b color_markers(count,2)).^2 ).^。 b = double(b)。 %顯示紅色分量樣本的均值[,]color_labels = 0: nColors1。[%,%]39。 %a均值color_markers(count,2)= mean2(b(sample_regions(:,:,count)))。color_markers = repmat(0, [nColors, 2])。 %rgb空間轉(zhuǎn)換成L*a*b*空間a = lab_fabric(:,:,2)。)。cform = makecform(39。sample region for red39。 %選擇每一小塊顏色的樣本區(qū)域endsubplot(122),imshow(sample_regions(:,:,2))。sample_regions = false([size(fabric,1) size(fabric,2) nColors])。load regioncoordinates。fabric39。)。MATLAB程序源碼及結(jié)果圖如下：fabric = imread(39。)運行結(jié)果如下： (a)原圖像 （b）K均值聚類分割效果圖 K均值聚類分割結(jié)果結(jié)果分析：K均值聚類的圖像分割法，比隨機選取聚類的中心點和個數(shù)減少了運算量，提高了分類精度和準確性，而且對于低對比度，多層次化背景的圖像的形狀特征提取具有輪廓清晰、算法運算速度快、內(nèi)存占用小等特點，是一種有效的灰度圖像分割算法。title(39。img(find(imgG))=255。img(find(imgRamp。endendRR=GG=BB=img=uint8(img)。k=i。G=c2(i)。amp。amp。d3(i)=abs(c3(i)c3(i1))。d1(i)=abs(c1(i)c1(i1))。c2(i)=sum(img(n_g))/length(n_g)。i=i+1。n_b=find(g_b0amp。n_g=find(r_g0amp。n_r=find(r_g=0amp。g_b=gb。b=abs(imgc3(i))。 %選擇三個初始聚類中心r=abs(imgc1(i))。c2(1)=125。img=double(img)。（1）原圖像39。subplot(1,2,1),imshow(img)。)。clearticimg= imread (39。三、判斷聚類是否合理采用誤差平方和準則函數(shù)判斷聚類是否合理，不合理則修改分類。取一樣本，將其歸入與其最近的聚類中心的那一類中，重新計算樣本均值，更新聚類中心。將全部樣本隨機地分成K類，計算每類的樣本均值，將樣本均值作為初始聚類中心。 K均值聚類分割在MATLAB中的實現(xiàn)K均值聚類法分為如下幾個步驟：一、初始化聚類中心根據(jù)具體問題，憑經(jīng)驗從樣本集中選出K個比較合適的樣本作為初始聚類中心。figure,imshow(wat)。figure,imshow(Iimpose)。Iemin=imextendedmin(Iec,)。figure,imshow(Ienhance)。figure,imshow(Ibot,[])。figure,imshow(Itop,[])。,15)。 se=strel(39。)。程序源碼如下：afm=imread(39。（a）。由于綠色區(qū)域亮度比較大，且和其他部分相差較大，因此，經(jīng)過運算就將綠色部分分割出來了。)。xlabel(39。subplot(2,2,4)。I1(:,:,2)=I1(:,:,2).*I3。I3=double(m)。RGB分割39。imshow(I,[])。I11(:,:,3)=I11(:,:,3).*double(I11(:,:,3)T)。I11(:,:,1)=I11(:,:,1).*double(I11(:,:,1)T)。endT=max(I(:))*scale。m=I2max(max(I2))*scale。scale=。)。xlabel(39。)。I=imread(39。處理過程大致如下：①將rgb圖像轉(zhuǎn)換成his圖像②將his的h和s分量做點乘運算③設(shè)置參數(shù)，生成閾值圖像④將閾值圖像與rgb，his圖像相乘便得到分割圖像。也可用于對有噪圖像或退化圖像進行去噪或還原、增強圖像以獲得更高清晰度、提取特征、分析形狀和紋理以及對兩個圖像進行匹配。若區(qū)域分割圖最大程度包含了圖像的顯著點，則對該分割圖進行目標輪廓提取、膨脹、腐蝕和區(qū)域填充等運算形成感興趣區(qū)標記圖，尋找標記圖中值為0的像素點，將其在原圖中的r、g、b值設(shè)為0，從而提取圖像的感興趣區(qū)。L表示亮度層，色度a表示圖像像素落入redgreen軸，色度b示圖像像素落入blueyellow軸；（2）根據(jù)圖像顏色分布選取聚類數(shù)目p，由于一般圖像的主顏色有34個，所以選取k=3。針對每一小塊，選擇像素顏色值的最大值、最小值、平均值作為初始聚類中心對圖像進行聚類分析。傳統(tǒng)的K均值聚類算