基于k-均值聚類算法的彩色圖像分割改進算法(參考版)
2024-12-10 02:26本頁面
【正文】 相信隨著各種理論的不斷發(fā)展、完善和成熟 ， 以及新理論在圖像分割領(lǐng)域的嘗試應(yīng)用 ， 圖像分割的方法也會 更多 ， 更成熟。 現(xiàn)在 , 圖像分割的算法大多是把多種理論結(jié)合起來應(yīng)用 ， 以達到相互補充的目的。 8 總結(jié)與展望 工作總結(jié) 本論文對傳統(tǒng)的圖像分割技術(shù)進行了簡要的介紹，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 。 ⑤ 以上聚類過程結(jié)束后，為了增強顯示效果，分割結(jié)果各像素以聚類中心灰度值作為該類最終灰度。 ③對于 1,2,jl? ,計算新的聚類中心，更新類均值 :()( 1) 1/ijij j pxQNx???? ?，式中， jN 是 ()ijQ 中的像素個數(shù)。 6 具體步驟如下： ① 將粗糙集理論提供的 L 個中心點 P 作為初始類均值 (1)1? , (2)2? , , ()ll? 。通過粗糙集理論提供 K均值聚類所需要的初始類的個數(shù)和均值，提高了聚類的效率和分類的精度。 K均值聚類算法中重要的一步是初始聚類中心的選取，一般是隨機選取待聚類樣本集的 K 個樣本，聚類的性能與初始聚類中心的選取有關(guān)，聚類的結(jié)果與樣本的位置有極大的相關(guān)性。 K均值聚類 圖像分割 算法的研究與改進 K均值聚類算法的基本思想：隨機選取 K 個點作為初始聚類中心，計算各個樣本到聚類中心的距離，把樣本歸到離它最近的那個聚類 中心所在的類，對調(diào)整后的新類計算新的聚類中心。此外，針對在圖像邊緣無法獲取完整的窗口信息而 得不到紋理特征值的問題，考慮到特征值同參與計算的像素之間的聯(lián)系，本文采取了區(qū)域均值的算法，以半徑 d： 3的窗口矩陣為例，邊緣像素的值近似的表示為與其相關(guān)的所有紋理特征值之平均值。 (3)基于灰度共生矩陣，利用式 ()一式 ()計算對比度、能量、相關(guān)性和同質(zhì)性四個紋理特征，并將值返還至對應(yīng)的像素中心。特征提取步驟如下： (1)將彩色圖像降為低階灰度圖像，灰度級取為 8。根據(jù)共生矩陣，可以計算熵、對比度、能量、相關(guān)、方差等 16 種用于提取圖像中紋理信息的特征統(tǒng)計量。此外 Lab 模型具有寬闊的色域，不僅包含了 RGB 的所有色域，而且彌補了 RGB 色彩模型色彩分布不均的問題。在 Lab 模式下，圖像的亮度信息和色彩信息被分開保存，調(diào)整顏色通道時亮度通道將保持不變。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 [7]的研究表明，在對自然彩色圖像進行分割時，考慮了像 素的空間特征，算法有更好的魯棒性。 采用 歐氏距離 進行距離測量， 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 個樣本中選擇 k 個質(zhì)心 （ 2）將數(shù)據(jù)集當中每一個 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)心會發(fā)生變化，計算新質(zhì)心以及 E 值 （ 4）重復(fù)（ 2）和（ 3）直到達到最大迭代次數(shù)或新計算的 E 值與上一次迭代得到的 E 值之間的差別小于一個給定的閾值 3 基于 K均值聚類的 彩色 圖像分割算法 及改進 引言 K均值聚類法在圖像分割中得到廣泛應(yīng)用 [5][6] 。 將樣本集劃分成 k 個類，這種劃分使得下式最小 21 ijkijjxE x m??????? （ ） jm 是第 j 個類的質(zhì) 心， 如果想要設(shè)計一個算法求得全局最優(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。 2)沒有（或最小數(shù)目）聚類中心再發(fā)生變化。這個過程將不斷重復(fù)直到滿足某個終止條件。聚類中心以及分配給它們的對象就代表一個聚類。 先隨機選取 K 個對象作為初始的聚類中心。而且這 K 個分組滿足下列條件：（ 1） 每一個分組至少包含一個數(shù)據(jù)紀錄；（ 2）每一個數(shù)據(jù)紀錄屬于且僅屬于一個分組；對于給定的 K，算法首先給出一個初始的分組方法，以后通過反復(fù)迭
研究報告相關(guān)推薦
鄂ICP備17016276號-1