【正文】 法一般是隨機(jī)選取聚類的類別和聚類中心，聚類結(jié)果與樣本的位置有極大的相關(guān)性，聚類的性能與初始聚類中心的選取有關(guān)。（4） 將所有像素逐個(gè)考察，如果j=1,2,…,K，有，則算法收斂，結(jié)束；否則返回（2）繼續(xù)下一次迭代。（2） 在第i次迭代時(shí)，考察每個(gè)像素，計(jì)算它與每個(gè)灰度級(jí)的均值之間的間距，即它與聚類中心的距離D，將每個(gè)像素賦均值距其最近的類，即 （）則。像素的灰度值為，其中為第i次迭代后賦給類j的像素集合，為第j類的均值。一旦這K個(gè)樣本選取不合理，將會(huì)增加運(yùn)算的復(fù)雜程度，誤導(dǎo)聚類過(guò)程，得不到合理的聚類結(jié)果[12]。如果相鄰兩次的聚類中心沒有任何變化，說(shuō)明樣本調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù)已經(jīng)收斂。此外，針對(duì)在圖像邊緣無(wú)法獲取完整的窗口信息而得不到紋理特征的問(wèn)題，考慮到特征值參與計(jì)算的像素之間的聯(lián)系，采取區(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。 （） （） （） （）對(duì)比度（CON）可理解為圖像的清晰度；能量（ENG）是圖像灰度分布均勻性的度量。（2）設(shè)置半徑為d，大小為的窗口矩陣，通過(guò)遍歷圖像的方式計(jì)算出窗口內(nèi)灰度共生矩陣，并將其映射到窗口中心所代表的像素上。根據(jù)共生矩陣，可以計(jì)算熵、對(duì)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(jì)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(bǔ)了RGB色彩模型色彩分布不均的問(wèn)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(shí)亮度通道保持不變。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(xiàn)[11]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。 K均值聚類分割算法K均值聚類分割算法在圖像分割中得到廣泛應(yīng)用[7]。最簡(jiǎn)單的利用閾值方法來(lái)分割灰度圖像的步驟為：首先對(duì)一副灰度取值在0和L1（其中，L位灰度圖像的最大灰度值）之間的圖像確定一個(gè)灰度閾值T(0TL1)，然后將圖像中每個(gè)像素的灰度值與閾值T相比較[4]，并將對(duì)應(yīng)的像素根據(jù)比較結(jié)果分為兩類：像素的灰度值大于閾值T的為一類，像素的灰度值小于閾值T的為一類[5][6]。閾值分割不僅可以大量壓縮數(shù)據(jù)，減少存儲(chǔ)容量，而且能大大簡(jiǎn)化在其后的分析和處理步驟。有一點(diǎn)要注意：它和光強(qiáng)度之間并沒有直接的聯(lián)系。S=0時(shí)，只有灰度?；パa(bǔ)色分別相差180度。 H參數(shù)表示色彩信息，即所處的光譜顏色的位置。設(shè)想從RGB沿立方體對(duì)角線的白色頂點(diǎn)向黑色頂點(diǎn)觀察，就可以看到立方體的六邊形外形。RGBRGB (a) (b) HSV彩色空間HSV顏色模型 這個(gè)模型中顏色的參數(shù)分別是：色彩（H），純度（S），明度（V）。當(dāng)C等于單位矩陣I時(shí)，Mahalanobis距離簡(jiǎn)約為歐幾里得距離。該距離稱為Mahalanobis距離。在圖像中對(duì)這兩組點(diǎn)編碼，如黑的和白的，產(chǎn)生一幅二值分割圖像。的點(diǎn)的軌跡是一個(gè)半徑為T的實(shí)心球體，（a）所示。若z和m之間的距離小于指定的閾值T，則說(shuō)z相似于m。最簡(jiǎn)單的度量之一是歐幾里得距離[1][2]。分割的目的是對(duì)圖像中的每一個(gè)RGB像素進(jìn)行分類，使其在指定的范圍內(nèi)有一種顏色或沒有顏色。給定一組感興趣的彩色（或彩色范圍）描述彩色樣本點(diǎn)，會(huì)獲得一個(gè)“平均”的顏色估計(jì)，它是需要分割的顏色。目前彩色圖像分割大致分為：直方圖閾值法、特征空間聚類法、基于區(qū)域的方法、邊緣檢測(cè)的方法、模糊方法和神經(jīng)元網(wǎng)絡(luò)方法等。 圖像分割是數(shù)字圖像處理的重要前期過(guò)程， 是圖像處理中最基本的技術(shù)之一。 (b)視覺效果較(a)明顯，灰度調(diào)整前后直方圖的比較可以看出，調(diào)整后直方圖(d)去除了原始直方圖(c)的噪聲直方圖，灰度調(diào)整后圖像明顯清晰了。)。xlabel(39。)。xlabel(39。p0=imadjust(p,[],[],)。39?；叶日{(diào)整在MATLAB中實(shí)現(xiàn)及效果分析這時(shí)在顯示器上看到的將是一個(gè)模糊不清、似乎沒有灰度層次的圖像?；叶日{(diào)整原理灰度調(diào)整就是在圖像采集系統(tǒng)中對(duì)圖像像素進(jìn)行修正，使整幅圖像成像均勻。 受到椒鹽噪聲污染的圖像經(jīng)不同模版中值濾波后的圖像結(jié)果顯示，中值濾波法能夠非常好地將椒鹽噪聲去除掉，可見中值濾波方法對(duì)于椒鹽噪聲或脈沖式干擾具有很強(qiáng)的濾除作用，這些干擾值與其鄰近像素的灰度值有很大的差異，經(jīng)過(guò)排序后取中值的結(jié)果就將此干擾強(qiáng)制變成與其鄰近的某些像素值一樣，從而達(dá)到去除干擾的效果。(d)椒鹽噪聲經(jīng)5*5中值濾波39。subplot(2,2,4),imshow(p2)。(c)椒鹽噪聲經(jīng)3*3中值濾波39。subplot(2,2,3),imshow(p1)。(b)添加椒鹽噪聲后的圖像39。subplot(2,2,2),imshow(p0)。(a)原圖像39。)。p2=medfilt2(p0,[5,5],39。zeros39。,)。salt amp。I=rgb2gray(p)。39。由于中值濾波是非線性運(yùn)算，在輸入和輸出之間的頻率上不存在一一對(duì)應(yīng)關(guān)系，故不能用一般線性濾波器頻率特性的研究方法。 ， A為濾波窗口 （）在實(shí)際使用窗口時(shí)，窗口的尺寸一般先用33再取55逐漸增大，直到其濾波效果滿意為止。中值濾波表達(dá)式為： （）對(duì)二維序列{Xi，j}的中值濾波，濾波窗口也是二維的，但這種二維窗口可以有各種不同的形狀，如線狀、方形、圓形、十字形、圓環(huán)形等。在一維的情況下，中值濾波器是一個(gè)含有奇數(shù)個(gè)像素的窗口，在處理之后，將窗口正中的像素灰度值用窗口內(nèi)各像素灰度值的中值來(lái)代替。中值濾波的目的是保護(hù)圖像邊緣的同時(shí)去除噪聲。中值濾波首先是被應(yīng)用在一維信號(hào)處理技術(shù)中，后來(lái)被二維圖像信號(hào)處理技術(shù)所應(yīng)用。中值濾波原理因此，抑制或消除這些噪聲從而改善圖像質(zhì)量，在圖像處理過(guò)程中是一個(gè)重要的預(yù)處理，也稱為對(duì)圖像的平滑濾波過(guò)程。（3）光學(xué)噪聲：主要由光學(xué)現(xiàn)象產(chǎn)生的（如膠片的粒狀結(jié)構(gòu)產(chǎn)生的顆粒噪聲）；（1）光電子噪聲：主要由光的統(tǒng)計(jì)本質(zhì)和圖像傳感器的光電轉(zhuǎn)換過(guò)程引起的（如光電管的光量子噪聲和電子起伏噪聲）；因此，去除噪聲，恢復(fù)原始圖像是圖像處理中的一個(gè)重要內(nèi)容。圖像平滑的目的是為了減少圖像噪聲。由于受多種因素（光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過(guò)量等）條件的影響，得到的圖片往往信息微弱，無(wú)法辨識(shí)，需要進(jìn)行增強(qiáng)處理。現(xiàn)在值得關(guān)注的是，對(duì)圖像分割質(zhì)量的評(píng)價(jià)還沒有一個(gè)客觀的方法，目前醫(yī)學(xué)圖像分割算法的評(píng)估仍需主觀評(píng)價(jià)。由于圖像中存在的噪音、偏移場(chǎng)效應(yīng)(bias field effect)、和局部體效應(yīng)(partial volume effect)等因素的影響，獲取的圖像不可避免的具有模糊、不均勻等特點(diǎn)。例如醫(yī)學(xué)圖像常表現(xiàn)為對(duì)比度低、組織特征可變、不同軟組織之間或軟組織與病灶之間邊界模糊、形狀結(jié)構(gòu)和微細(xì)結(jié)構(gòu)的分布復(fù)雜等特征，因此對(duì)研究自動(dòng)分割技術(shù)造成了極大的困難。近些年來(lái)，圖像分割領(lǐng)域中涌現(xiàn)出不少自動(dòng)分割方法技術(shù)，雖然它們完全由計(jì)算機(jī)來(lái)實(shí)現(xiàn)圖像分割的全部過(guò)程，脫離了人為的主觀性干預(yù)，但算法復(fù)雜，計(jì)算量大，還存在很多亟待解決的問(wèn)題。近年來(lái)圖像分割技術(shù)的發(fā)展重點(diǎn)是研究出實(shí)用的自動(dòng)分割方法，并希望最終能夠取代非常繁瑣的人工分割和主觀性很強(qiáng)的半自動(dòng)分割。與人工方法相比，半自動(dòng)的分割方法大大減少了人的主觀因素的影響，而且分割速度和精度都得到了提高，但操作者的經(jīng)驗(yàn)和知識(shí)仍然是圖像分割過(guò)程的一個(gè)重要組成部分。圖像分割技術(shù)是一個(gè)從“手工分割”到“半自動(dòng)分割”、“自動(dòng)分割”的逐步發(fā)展的過(guò)程。圖像分割的準(zhǔn)確性將直接影響后續(xù)任務(wù)的有效性，因此圖像分割具有十分重要的意義。例如：在遙感圖像中，合成孔徑雷達(dá)圖像中目標(biāo)的分割、遙感云圖中不同云系和背景分布的分割等；在醫(yī)學(xué)應(yīng)用中，腦部MR