基于聚类的图像分割算法研究

图像分割是图像处理中的重要研究课题,它决定着最终的图像分析和图像理解的结果和质量。正是由于图像分割的重要性,国内外许多学者对其展开了大量的研究,提出了各种各样不同的分割算法,但是这些算法大都是针对具体研究对象的,至今还没有通用的分割理论提出,因此人们仍然在不断地探索新的分割算法和分割理论。 模糊C均值算法是基于目标函数的聚类算法中理论最完善、应用最广泛的算法。由于成功地将模糊概念引入到图像像素的隶属度,模糊C均值算法能够保留更多的原始图像信息。虽然模糊C均值算法由于自身的优势得到了广泛的应用和发展,但是该算法在进行图像分割时需要事先确定分类数、对噪声敏感、易陷入局部极值。 均值漂移算法作为一种有效的聚类算法用于图像分割时不需要任何先验知识,完全依靠特征空间中的样本点进行分析,近年来该算法在图像分割和跟踪等计算机视觉领域得到广泛的应用。但是均值漂移算法收敛速度慢以致影响了它的实际应用,另外该算法中带宽的选择对算法性能有较大的影响。 鉴于以上考虑,论文通过将空间上下文信息引入传统的模糊C均值算法,提高该算法的抗噪性能;利用智能群算法对传统的模糊C均值算法进行改进。分别利用最近邻算法、相关性比较算法、混合粒子群算法和共轭梯度算法对均值漂移算法进行改进。最后文章从变换域的角度对模糊C均值算法和均值漂移算法进行研究,改进原有算法的性能。主要工作是: 提出了基于空间约束的模糊C均值算法,将空间上下文信息引入传统的模糊C均值算法。通过对原有模糊C均值算法的目标函数中隶属度函数的修正和距离度量的改进提高原有算法的抗噪性能。通过修改基于空间约束的模糊C均值算法中隶属度的值提高该算法的收敛速度。 利用粒子群算法和微分进化算法全局性和鲁棒性的特点,提出基于智能群算法的模糊C均值图像分割算法,避免传统模糊C均值算法陷入局部极值。并且通过智能群算法解决传统模糊C均值算法需要确定初始分类数和初始聚类中心的问题。 探讨了均值漂移算法在图像分割中的应用。提出了基于共轭梯度法的快速均值漂移算法,利用共轭梯度算法收敛速度快、算法原理简单的特点,通过交替执行共轭梯度算法和均值漂移算法提高原有均值漂移算法的收敛速度。 分别利用最近邻算法、相关性比较算法和混合粒子群算法提出了不同的自适应均值漂移图像分割算法,解决经典均值漂移算法的带宽选择问题。由于均值漂移算法与其它梯度升优化算法一样易陷入局部极值,因此提出利用混合粒子群算法优化均值漂移矢量,然后再执行经典的均值漂移算法,以此解决其容易陷入局部极值的问题。 最后利用轮廓波变换,从另外一种角度对传统的模糊聚类分割算法进行改进以增强传统聚类算法的抗噪性。该方法首先用轮廓波变换对图像进行去噪,然后再对去噪后的图像进行聚类分割,实验结果证明了该方法的有效性。 论文就聚类图像分割算法进行了研究和探讨,并通过多种手段对原有算法进行改进,对不同图像的实验结果表明了论文提出算法的有效性。