K均值算法图像分割.docx

《K均值算法图像分割.docx》由会员分享，可在线阅读，更多相关《K均值算法图像分割.docx（35页珍藏版）》请在优知文库上搜索。

1、题目基于特征的图像分割技术万亚脑名号院业师姓老生学学学学专指毕业论文（设计）20191334044电子及信息工程学院通信工程胡昭华老师二。一五年四月五日1.1 课题探讨意义41.2 图像分割技术发展概况61.3 图像分割方法的现状91.4论文内容142. 基于综合特征的图像分割153. 1概述154. 2颜色空间选取165. 3图像特征提取16颜色特征提取17纹理特征提取172. 4综合特征分割183. K均值算法183. 1原始K均值算法183. 2K均值聚类分割算法203. 2.1聚类203. 2.2K-均值聚类算法的工作原理：203 .2.3K-means聚类算法的一般步骤：214 .2

2、.4K-均值聚类法的缺点：229. 3.基于灰度空间的彩色图像像素聚类223. 4改进的k-均值聚类图像分割算法236. 5分割结果及分析267. 本文结论277.1 存在的问题以及对将来的展望27参考文献28致谢29附-：K-均值聚类改进前的matlab源程序30基于特征的图像分割技术万亚星南京信息工程高校电子及信息工程学院，江苏南京210044摘要：图像分割是指将副图像分解为若干互不交费的有意义且具有相同属性的区域。图像分割是数字图像处理中的一项关键技术，其分割的精确性干脆影响后续任务的有效性，因此具有特别重要的意义。现行的分割算法在不同程度上取得了肯定的胜利，但是图像分割的很多问题还远远

3、没有解决，该方面的探讨仍旧面临很多挑战。本文采纳改进的K均值算法进行图像分割，在颜色空间选取上也采纳比较好的RBG颜色空间，对图像分别进行了颜色特征提取及纹理特征提取，最终进行了原始K均值算法及改进后的K均值算法分割图形的比较，试验结果表明本文提出的方法可以很好的从图像中分割出有意义的区域，更突出目标区域。关键词：图像分割，颜色空间，K均值聚类。BasedonthecharacteristicsoftheimagesegmentationtechnologyWanyakunNUIST,Nanjing210044,ChinaAbstract：Imagesegmentationisapairofi

4、magesaredecomposedintoseveralmutuallyoverlappingareaofmeaningfulandWiththesameattribute.Imagesegmentationisakeytechnologyofdigitalimageprocessing,Thesegmentationaccuracydirectlyaffecttheeffectivenessofthesubsequenttask,Soitisofvitalsignificance.Existingsegmentationalgorithmindifferentdegree,hasachie

5、vedsomesuccess,butisfarfromsolvedmanyproblemsofimagesegmentation,theresearchsti11facesmanychaiIenges.Imagesegmentationisoneofthemostbasicandimportantfieldinimageprocessing,istovisualimageanalysisandpatternrecognitionisthebasicpremise.ProposedinthispaperUSEStheimprovedk-meansalgorithmforimagesegmenta

6、tion,ontheselectionofco1orspaceisbetterHUVbasedoncolorspace(bylinearRBGcolorspacetransformation).Imagefeatureandcolorfeatureextractionoftexturefeatureextractionrespectively,finalIyhascarriedontheoriginalk-meansalgorithmandtheimprovedk-neansalgorithmsegmentationgraphicalcomparisonoftheexperimentalres

7、ultsshowthattheproposedapproachcanbeverygoodmeaningfulregionssegmentedfromtheimage.Keywords:Imagesegmentation,colorspace,k-meansclustering.1 .绪论1.1 课题探讨意义图像分割是数字图像处理中的一项关键技术，它通常用于对图像进行分析、识别、编码等处理之前的预处理环节，其分割的精确性干脆影响后续任务的有效性，因此具有特别重要的意义。自上世纪70年头以来，已经出现了多种图像分割方法，而每一种图像分割方法都是为了解决一些特定的应用问题。该技术胜利地应用于很多领域

8、，例如：交通路口的电子警察、光学字符识别(OCR)指纹识别、机动车牌号识别等等。图像分割是指将一副图像分解为若干互不交叠的有意义且具有相同属性的区域。好的图像分割应具备的特性：分割出来的各区域对某种性质如灰度、纹理而言具有相像性，区域内部比较平整；相邻区域对分割所依据的性质有明显的差异；区域边界上是明确和规整的。大多数图像分割方法只是部分满足上述特征。假如强调分割区域的同性质约束，则分割区域很简洁产生大量小孔和不规则边缘；若强调不同区域间性质差异的显著性，则易造成不同区域的合并。详细处理时，不同的图像分割方法总是在各种约束条件之间找寻一种合理的平衡。虽然图像分割方法已经有了很大的发展，但由于它

9、的困难性，仍有很多问题没有很好地得到解决。因此，人们至今还始终在努力发展新的、更有潜力的分割算法，以期实现更通用、更完备的分割结果。实践表明，对图像分割理论及技术的进一步探讨仍旧具有特别重要的意义。本文首先对数字图像分割的一些经典分割方法作了概述，然后分析了现有项目开发中运用的图像分割方法所存在的问题，最终基于经典算法进行技术改进，实现了一种新的分割方法，并将其应用到试验当中，取得了良好的效果。1.2 图像分割技术发展概况利用计算机进行图像处理有两个目的：一是产生出更适合人视察和识别的图像，二是希望能够由计算机自动识别和理解图像。无论为/哪种目的，关键的一步就是能够对包含有大量、各种各样景物信

10、息的图像进行分解，分解的最终结果是一些具有某种特征的最小成分即图像的基元。图像的特征指图像中可用作标记的属性。它可分为图像统计特征和图像的视觉特征两类。图像的视觉特征是一些人为特征，需通过变换才能得到，如图像的直方图。图像的视觉特征指人的视觉可干脆感受到的自然特征，如区域的亮度、纹理或轮廓等等。上述将图像分解成具有不同特殊单元的过程就是图像的分割，由此可以看出，图像分割是实现图像分析的重要步骤。图像分割是图像分析的初始步骤之一，也是图像处理最原始的问题，几乎自数字图像处理问世不久，人们就起先了图像分割技术的探讨，并取得了相当的进展和胜利。但由于它的困难性，有很多问题没有很好地解决，因此人们至今

11、还始终在努力发展新的、更有潜力的分割算法，以期实现更通用、更完备的分割结果。图像分割是计算机图像处理的一个基本问题，是很多后续图像分析任务的第一步处理，特殊是对于图像识别、图像的可视化和基于目标的图像压缩都高度依靠于分割结果。图像分割是由图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术，这是因为图像的分割、目标的分别、特征的提取和参数的测量将原始的图像转化为更抽象、更紧凑的形式，使得更高层的分析和理解成为可能。通常，分割问题包括将给定图像中相像的块分割成一个区，相邻的分割结果是不相像的。从另一个角度说，分割也可以被认为是像素的标记处理，属于同一区域的像素被标上相同的号。始终以来，人

12、们致力于分割方法的探讨，提出了很多分割方法。但是，图像分割仍旧是图像处理中的-个瓶颈。事实上，图像分割就是把图像中的目标分成很多感爱好的区域及图像中各种物体目标相对应。目前可能的理解图像方法只限于信息中部分特征，如：灰度差别、局部纹理差别、彩色差别、局部统计特征或同部区域的频谱特征的差别等成熟技术表征的特征。既然我们只能用图像信息中某些部分特征去分割区域，因此各种分割方法必定带有局限性。迄今为止，还没有一种图像分割方法适用于全部的图像。图像分割的实质是要正确地划分属性空间，使得具有相同属性的像素归属于同一区域，不同属性的像素归属不同的区域。图像分割方法的探讨始于上世纪50年头，探讨己有几十年的

13、历史，借助各种理论至今已提出了上千种各种类型的分割算法，而且这方面的探讨仍在主动进行中。经典的图像分割方法分为以下几种：1、阈值分割技术阈值分割技术是经典的、流行的图像分割方法之，也是最简洁的一种图像分割方法，这种方法的关键在于找寻适当的灰度阈值。常用的方法有最大类间方差法、最小误差法、最大燧法等。这些方法都是基于一维灰度直方图，而且对整幅图像运用一个固定全局阈值，假如图像中有阴影或光照不均等，分割效果会受到影响。为此，提出了用二维直方图或者动态阈值等技术进行分割,但同时计算困难度会增加1.阈值分割技术它仅适用于高反差的简洁图像的分割，不能满足灰度渐变或以某种纹理而不是灰度来表征不同区域的那些

14、困难图像的分割。2、区域技术区域技术通过对目标像素的干脆检测来实现分割。区域生长法是一种常用的区域技术。区域增长是：先从每个须要分割的目标中找一个种子像素作为生长的起点，然后将其四周的像素依据某种相像性标准（如灰度相像性）及之对比，假如满足标准则合并到种子像素的集合内，将新合并的像素作为新的种子像素接着向外扩展，直到找不到满足条件的像素为止。这种方法能够同时利用图像的多种性质进行分割，但是由于它采纳串行机制，计算时间较长，实时性较差。3、边缘检测技术图像分割能够通过检测不同区域的边缘来获得。在目标的边缘处经常有灰度的急剧变更，借助各种空域微分算子，如梯度算子，方向算子，拉普拉斯算子和马尔算子等

15、，能够检测出图像中具有边缘特性的像素点。在此基础上，采纳边界闭合技术把边缘像素连接起来组成目标区域的封闭边界，从而达到分割的目的。但边界检测是一项困难的工作，因为通常图像的边界都很难找到。随着数学工具，成像设备和计算机技术的发展，图像分割方法呈现出新的特点和趋势：（I）多种新兴数学工具的加入，使得新的方法不断涌现。人工神经网络，小波理论和遗传算法是加世纪90年头兴起的新型理论工具，人们将其应用到图像分割中，起到了改善分割效果，扩展适用范围以及提高运算速度等作用。（2）成像设备和技术的发展使得应用对象的范围大大扩展。现在采集的图像种类及以往相比有了较大的变更和发展，不仅仅局限于常见的两维静止灰度图像，还有各种3维图像，彩色图像,运动图像等等。这些发展对图像分割方法提出了更高的要求。（3）多特征的利用和多方法的融合。图像分割方法要取得更好的效果，不能局限于单一特征的分析，而要综合利用多种信息。图像分割是一个困难的过程，须要融合多种方法的优势进行。1.3 图像分割方法的现状从上世纪五十年头起先，学者始终热衷于探讨图像分割技术。迄今为止，已提出上千种图像分割算法，依这些算法对图像处理的特点，主要可分为以下几类方法。（I）阈值分割法阈值分割法作为种常见的区域并行技术，它通过设置阀值,把像素点按灰度级分若干类，从而实现图像分割。由于是干脆利用图像的灰