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）》请在课桌文档上搜索。

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

16、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度特性，因此计算便利简明、好用性强。明显，阈

17、值分割方法的关键和难点是如何取得一个合适的阈值，而实际应用中阈值设定易受噪声和光亮度影响。近年来关于阈值分割法主要有：最大相关性原则选择阈值法、基于图像拓扑稳定状态法、灰度共生矩阵法、炳法、峰值和谷值分析法等。其中，自适应阈值法、最大熠法、模糊阈值法、类间阈值法是对传统阈值法改进较胜利的几种算法。更多的状况下，阈值的选择会综合运用两种或两种以上的方法，这也是图像分割发展的一个趋势。例如，将图像的灰度直方图看作是高斯分布的选择法及自适应定向正交投影高斯分解法的结合，较好地拟合了直方图的多峰特性，从而得到了更为精确的分割效果。阈值法的缺陷主要在于它仅仅考虑r图像的灰度信息，而忽视了图像的空间信息、

18、。对于非此即彼的简洁图像处理（如一些二值图像的处理）是有效的，但是对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题则难以得到精确的分割效果。（2）基于边缘的图像分割法边缘总是以强度突变的形式出现，可以定义为图像局部特征的不连续性，如灰度的突变、纹理结构的突变等。边缘经常意味着一个区域的终结和另一个区域的起先，图像的边缘包含了物体形态的重要信息，它不仅在分析图像时大幅度地削减了要处理的信息量，还爱护了目标的边界结构。对于边缘的检测经常借助空间微分兜子进行，通过将其模板及图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘，而这正是灰度值不连续的结果，这种不连续可

19、以利用求一阶和二阶导数检测到。当今的局部技术边缘检测方法中，主要有一次微分（Sobel算子、RObertS算子）、二次微分（拉普拉斯算子等）和模板操作（PreWitt算子、KirSCh算子和RobinSOn算子）等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太困难的图像可以取得较好的效果，但对于边缘困难（如边缘模糊、边缘丢失、边缘不连续等）的图像效果不太志向。此外，噪声的存在使基于导数的边缘检测方法效果明显降低，在噪声较大的状况下所用的边缘检测算子通常都是先对图像进行适当的平滑，抑制噪声，然后求导数,或者对图像进行局部拟合，然后再用拟合光滑函数的导数来代替干脆的数值导数，如Marr算

20、子、Canny算子等。有关学者曾给出了一种基于彩色边缘的图像分割方法，这是对传统边缘分割方法只适用于灰度图像状况的一个突破。在将来的探讨中，用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取，以及如何确认重要边缘去除假边缘将变得特别重要。（3）基于聚类的分割法对灰度图像和彩色图像中相像灰度或色度合并的方法称之为聚类，通过聚类将图像表示为不同区域即所谓的聚类分割方法。此方法的实质是将图像分割问题转化为模式识别的聚类分析，如k均值、参数密度估计、非参数密度估计等方法都能用于图像分割。常用的聚类分割有颜色聚类分、灰度聚类分割和像素空间聚类分割。颜色聚类分割事实上是将相像的几种颜色合

21、并为一色，描述颜色近似程度的指标是色差，在标准ClE匀色空间中，色差是用两个颜色的距离来表示的。但是显示器采纳的RGB空间是显示器的设备空间，及ClE系统的真实三原色不同，为简洁起见，般采纳RGB色空间中的距离来表示。灰度聚类分割就是只把图像分成目标和背景两类，而且仅考虑像素的灰度，这就是一个在一维空间中把数据分成两类的问题。通过在灰度空间完成聚类，得到两个聚类中心（用灰度值表征），聚类中心连线的中点便是阈值。明显这个概念也可以轻松地延扩至多阈值和动态阈值的状况。像素空间聚类分割在某些特定的尺度上视察图像，比如说把图像信号通过一个带通滤波器，滤波的结果将使图像的局部信息更好地被表达。通过一个多

22、尺度分解，轮廓信息可以在大尺度图像上保留下来，细微环节或者突变信息可以在中小尺度上体现，基于多尺度图像特征聚类的分割方法慢慢得到了人们的关注。（3）函数优化法基于函数优化的分割方法是图像分割中另人类常用的方法，其基本思路是给出一个目标函数，通过该目标函数的极大化或微小化来分割图像，G.A.Hewer等人提出了一个具有广泛意义的目标函数。统计学分割法、结合区域及边缘信息法、最小描述长度（Ml）1.）法、基于贝叶斯公式的分割法等是目前几种活跃的函数优化法。统计学分割法就是把图像中各个像素点的灰度值看作是具有肯定概率分布的随机变量，且视察到的实际物体是作了某种变换并加入噪声的结果。统计学分割方法包括

23、基于马尔科夫随机场法（MRF）、标号法（1.abeling）和混合分布法（MiXtUre）等。结合区域及边缘信息法是基于区域信息的图像分割的主要方法。区域增长有两种方式：一种是先将图像分割成很多一样性较强的小区域，再按肯定的规则将小区域融合成大区域，达到分割图像的目的；另一种是事先给定图像中要分割目标的一个种子区域，再在种子区域基础上将四周的像素点以肯定的规则加入其中，最终达到目标及背景分别的目的。分裂合并法对图像的分割是按区域生长法沿相反方向进行的，无需设置种子点，其基本思想是给定相像测度和同质测度，从整幅图像起先，假如区域不满足同质测度，则分裂成隙意大小的不重杏子区域；假如两个邻域的子区域

24、满足相像测度则合并。最小长度描述法（MI）1.）的基本思路是用一种计算机语言来描述图像的区域和边界信息，得到一个描述长度函数，以此作为目标函数，依据图像微小化描述长度从而得到分割结果。MD1.准则主要应用于区域竞争中，即通过这种规则对比若干个种子区域，找出其中的坏种子。它经常及其他方法结合运用。1.4论文内容本文通过大量阅读图像分割技术方面的文献，仔细探讨K均值算法，并对其中的一些算法提出了改进优化了K均值算法。算法流程为颜色空间选取一图像特征提取（颜色特征提取和纹理特征提取）一综合特征分割一分割结果及分析。文章内容支配如下：（I）第一章：主要阐述课题探讨意义，图像分割技术发展概况，图像分割方

25、法的现状，论文的主要内容。其次章：主要阐述技术基于综合特征的图像分割的流程颜色空间的选取（比较HSV颜色空间及RGB颜色空间，最终选择了RGB颜色空间一图像特征的提取（分别进行颜色特征提取和纹理特征提取）一综合特征分割（先用原始的K均值算法，然后再运用改进后的K均值算法，对两者进行比较，K均值算法的流程为初始聚类一K均值迭代一后处理）一分割结果及其分析（对原始K均值算法及改进后的K均值算法所分割出来的图像进行对比，发觉区分得出结论）。（3）第三章：存在的问题以及对将来的展望。2 .基于综合特征的图像分割2.1 概述目前彩色图像的分割方法大多仅用颜色特征或纹理特征，难以满足基于内容检索应用的须要

26、。例如目前很有代表性的ViSUaISEEK系统仅仅采纳颜色特征用于分割，很简洁对高纹理区域产生过分割，而些仅用纹理分割的算法又没有充分利用颜色所携带的丰富信息，可能产生欠分割，不管是只运用颜色特征进行的分割，还是只是用纹理特征进行的分割在对图像进行分割的时候都会产生不好的影响，因此有效地融合颜色和纹理信息是获得稳健的图像分割的重要途径。目前，这方面的分割方法的探讨相对较少。针对这个问题，该文提出了种利用图像的颜色和纹理综合特征进行分割的方法。图像分割方法有很多种，其中，聚类法是一个较简洁有效的综合特征分割方法，已被广泛应用到图像分割领域。典型的聚类方法有K均值法、ISoDATA法、模糊C均值法

27、等。ISoDATA法有六个参数必需由用户供应，较难实现，且不能做到自幼分割；模糊C均值法是对特征集的模糊划分，这种方法主要用于三维图像和医疗图像的分割；而K均值法通过改进可以做到肯定程度的自动分割，而且适合于分割一般图像，在处理大量数据集方面也具有其它聚类算法无法比拟的优势，但是，K均值法的缺点在于须要具有聚类数目及聚类中心的先验学问，聚类结果往往及初始聚类个数和聚类中心的选定有关，聚类只考虑图像点的特征相近性，未考虑点的位置邻近性。因此该文采纳了改进的K均值算法来进行图像分割。改进后的方法能克服以上缺陷，分割出有意义的区域。2.2颜色空间选取由于HSV颜色空间在视觉上比RGB颜色空间更匀称，

28、即HSV的空间距离比RGB的空间距离更加符合人眼视觉特征，因此目前有很多图像分割算法采纳了HSV空间。但是，从RGB到HSV的转换是个非线性变换，H和S都有不行避开的奇异点，即在转换公式中出现分母为零的状况。在奇异点旁边即使R、G、B的值有很小变更也引起变换值有很大的跳动，这样会产生不稳定，因此不宜用于区域分割算法中。从这点说，由R、（；、B经线性变换法得到的彩色坐标系更为可取，替代非线性的色调和饱和度变换的方法是采纳三滤波器值的线性变换。文章采纳了YUV空间，YUV空间是由RGB空间经过线性变换得到的。RGB空间到YUV空间的转换公式;为：认知科学表明，YUV是一种独立于设备的彩色空间，它依

29、据人类的感知程度以一样的尺度表示色调差别，而且，该文经过试验发觉，采纳YUV空间产生的分割结果比HSV空间的分割结果更好。2.3图像特征提取2.3.1颜色特征提取采纳4*4的图像块为图像分割的最小单位，因此，特征提取的最小单位也是4*4的图像块。对于小块的颜色特征，干脆采纳小块里的各个像素的丫、U、V的颜色均值。设小块的16个点从上至下，从左至右标号为1.2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,该小块的颜色特征（丫、U、V）计算公式为:Y=-n,U=,6r=2.3.2纹理特征提取由于小波变换能提取图像的高频信息，因此，它特别适合于提取图像的纹理特征。考虑到计算

30、的简洁性和效率，该文选择了哈尔小波。小波变换的对象是各个4*4的图像块。一次小波变换后，个4*4的块分解成四个频带，低频带1.1.及三个高频带H1.、1.H.HH,每个频带包含4个系数，见图1。1.HHH(b)小波变换图1小波变换示意图提取三个高频带的小波能量作为纹理特征。以H1.频带为例,假设其对应的小波系数为3“好“9”心皿该频带对应的纹理特征量计算如下：(3)从HH和1.H频带计算另两个纹理特征量，计算公式类似式(3),即求该频带的小波系数的二阶矩的均值。2.4综合特征分割将颜色特征的三维向量和纹理特征的三维向量组合成一个六维向量，利用这种综合特征向量来分割图像，以达到预期的图像分割效果

31、。3.K均值算法3.1原始K均值算法均值聚类法可以用来进行综合特征的分割，卜.而是原始均值算法的伪代码。原始K均值算法的伪代码如下：functionDirect-k-means()初始化K个模板（yv.A.r,WJ使WJ=3je1,2,*,k,/g1,2,n）聚类C,对应于模板WRepeatfor每个输入向量其中el,2,ndo将加入最近的聚类对应的模板为W（即符合b陀卜卜广卬Jw1,2,.k）for每个聚类GjGU,2,，kdo依据目前C中的全部样原来更新模板应：计算误差函数：UntiI不变更或者聚类成员不再变更。从以上步骤可以看出，最终的聚类依靠于初始聚类中心及聚类数目K值的选择。很多状况

32、下要得到图像的先验学问是不行能的，因此，K均值聚类算法中，类别数目的确定是个难点，数目过多会产生过分割（分割得过细），过少又会导致欠分割（有的区域未分割出来）。我们提出了一种改进的K均值方法来分割图像，使得这些参数可以通过图像的统计信息确定相应的初始值，而无需用户进行事先的指定，然后再依据K均值迭代对聚类个数和模板初值进行不断的调整，直到聚类个数和模板初值不再变更为止，而且，通过加入后处理，兼顾了聚类时点的位置连通关系。3. 2K均值聚类分割算法聚类将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象及同一个簇中的对象彼此相像，及其

33、他簇中的对象相异。聚类分析又称群分析，它是探讨（样品或指标）分类问题的一种统计分析方法。聚类分析计算方法主要有如下几种：划分方法，层次方法，基于密度的方法，基于网格的方法，基于模型的方法。K-均值聚类算法是闻名的划分聚类分割方法。划分方法的基本思想是：给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，KNo而且这K个分组满足下列条件：（1）每一个分组至少包含一个数据纪录；（2）每一个数据纪录属于且仅属于一个分组：对于给定的K,算法首先给出一个初始的分组方法，以后通过反复迭代的方法变更分组，使得每一次改进之后的分组方案都较前一次好，而所谓好的标准就是：同一分组中

34、的记录越近越好，而不同分组中的纪录越远越好。K-均值聚类算法的工作原理：kmeans算法的工作原理：算法首先随机从数据集中选取K个点作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到离它最近的那个聚类中心所在的类。计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心，假如相邻两次的聚类中心没有任何变更，说明样本调整结束，聚类准则函数已经收敛。本算法的一个特点是在每次迭代中都要考察每个样本的分类是否正确。若不正确，就要调整，在全部样本调整完后，再修改聚类中心，进入卜一次迭代。这个过程将不断重复直到满足某个终止条件，终止条件可以是以下任何一个：（I）没有对象被重新安排给不同的聚类。

35、（2）聚类中心再发生变更。（3）误差平方和局部最小。3. 2.3K-means聚类算法的一般步骤：处理流程：（1）从n个数据对象随意选择k个对象作为初始聚类中心；（2）循环（3）到（4）直到每个聚类不再发生变更为止：（3）依据每个聚类对象的均值（中心对象），计算每个对象及这些中心对象的距离：并依据最小距离重新对相应对象进行划分；（4）重新计算每个（有变更）聚类的均值（中心对象），直到聚类中心不再变更。这种划分使得下式最小3. 2.4K-均值聚类法的缺点：缺点：(1)在K-means算法中K是事先给定的，这个K值的选定是特别难以估计的。(2)在K-means算法中，首先须要依据初始聚类中心来确定

36、一个初始划分，然后对初始划分进行优化。3)K-means算法须要不断地进行样本分类调整不断地计算调整后的新的聚类中心因此当数据量特别大时算法的时间开销是特别大的。(4) K-means算法对一些离散点和初始k值敏感，不同的距离初始值对同样的数据样本可能得到不同的结果。3.3 .基于灰度空间的彩色图像像素聚类1 .读取彩色图像，将RGB值转化为灰度值2 .利用k均值聚类对像素的灰度值进行划分，提取特征点(本方法采纳误差平方和准则函数推断聚类是否合理)。3 .利用matIab编程实现结果如下：随即地取CI(I)=25;c2(l)=125;c3(l)=200选择三个初始聚类中心图1得到最终聚类中心的

37、灰度值如下:R=109.5763G=158.0943B=212.8034随机选取聚类中心的K-均值聚类结果：图23.4 改进的卜均值聚类图像分割算法4.1K-均值聚类算法中重要的一步是初始聚类中心的选取，一般是随机选取待聚类样本集的K个样本，聚类的性能及初始聚类中心的选取有关，聚类的结果及样本的位置有极大的相关性。一旦这K个样本选取不合理，将会增加运算的困难程度，误导聚类过程，得到不合理的聚类结果。通过粗糙集理论供应K-均值聚类所须要的初始类的个数和均值，提高了聚类的效率和分类的精度。于粗糙集理论的灰度空间划分1.粗糙集的探讨对象是由一个多值属性集合描述的对象集合。主要思想是在保持分类实力不变

38、的状况卜;通过学问约简，导出问题的决策和分类规则4。粗糙集理论能很好地近似分类。从图像的直方图可以看出图形一般呈谷峰状分布，同一区域内像素的灰度值比较接近，而且不同区域内像素数大小不等。若灰度值相差不大的像素可归为一类，则可将图像分为几类。为此，定义像素的灰度值差为条件属性，等价关系R定义为：假如两个像素灰度值差小于定间距D,则两个像素是相关的，属于等价类。首先确定间距I），通过原图可求出灰度值分布范围，依据灰度值范闱可求出灰度级数1.o将灰度级范阐内对应像素个数最多的灰度值定义为中心点P。计算1.个中心点之两两间距，若最小距离小于间距D，则将相应中心点合并，并将两点的算术平均值作为该中心点的

39、值。重复进行直到全部中心点的两两间距均大于间距D0中心点的个数和数值就是K_均值聚类所须要的初始类的个数和均值。2.像素的灰度值为.r,(p=0.1.255),其中Q；”为第i次迭代后赋给类j的像素集合，分为第j类的均值。详细步骤如下：将粗糙集理论供应的1.个中心点P作为初始类均值川，典在第，次迭代时，考察每个像素，计算它及每个灰度级的均值之间的间距，即它及聚类中心的距离D,将每个像素赋均值距其最近的类，即dxp-,=minjDxp-j=1.2.)(3.6)则“如。对于j=12/,计算新的聚类中心，更新类均值：，式中，N,是夕中的像素个数。将全部像素逐个考察，假如j=12K,有严=/,则和法收

40、敛，结束；否则返回接着下一次迭代。以上聚类过程结束后，为了增加显示效果，分割结果各像素以聚类中心灰度值作为该类最终灰度由原图像的灰度直方图，本文将定间距D设为32,灰度级1.的个数为8。原灰度图的灰度值范圉为0,255,被分成8个灰度级，七个灰度级对应中心点P为32,64,96,128,160,192,224,256o计算这12个中心点之两两间距,若最小距离小于间距20,则将相应中心点合并，并将两点的算术平均值作为该中心点的值，处理后结果P32,160,192)下面将Cl(I)=32;c2(l)=160;c3(D=192;作为初始聚类中心,编程进行聚类分析。得到结果如下：图3图3及图2相比分类

41、结果更好，图像分割效果更明显，更能表现图像特征。边缘更加清楚，分割结果既突出了目标，又保留了细微环节信息，达到了较好的分割效果。因此，基于粗糙集的K_均值聚类算法可以有效地对灰度图像进行分割，从分割后的图像中可获得更多的目标信息，为进一步的图像分析和理解供应了良好的基础。接着对多幅图像用上述两种方法进行K-均值聚类分割，得到如下对比图像：图4K-均值聚类得到的：图5依据改进的K-均值算法得到的：原始图像:K-均值聚类得到的:图8依据改进的K-均值算法得到的：图七3 .5分割结果及分析原始的K均值分割方法简洁产生过分割，应当合并的区域没有合并，导致这些区域不能组成独立的物体而且原始K均值方法也简

42、洁产生欠分割，缘由是采纳的聚类没有考虑各点的位置关系，会产生不相邻的点被归到一个区域，导致区域不连通，通常不连通的区域不能对应一个独立的物体，影响了后面的检索。改进后的K均值算法能分割出一般图像的目标区域，例如，由于有相像的纹理和颜色、花朵、花叶、黑马、白马、草原、大海、草坪、树等独立完整的有意义的区域可以被分割出来。试验表明，基于粗糙集理论和K-均值聚类算法的图像分割方法，比随机选取聚类的中心点和个数削减了运算量，提高了分类精度和精确性，而且对于低对比度、多层次变更背景的图像的形态特征提取具有轮廓清楚、算法运行速度快等特点，是一种有效的灰度图像分割算法。4 .本文结论4.1 存在的问题以及对

43、将来的展望虽然近年来探讨成果越来越多,但由于图像分割本身所具有的难度，使探讨没有大的突破性的进展.仍旧存在的问题主要有两个：其一是没有一种普遍运用的分割算法；其二是没有一个好的通用的分割评价标准.从图像分割探讨的历史来看,可以看到对图像分割的探讨有几个明显的趋势：是对原有算法的不断改进;二是新方法、新概念的引入和多种方法的有效综合运用.人们渐渐相识到现有的任何一种单独的图像分割算法都难以对般图像取得令人满足的分割效果，因而很多人在把新方法和新概念不断的引入图像分割领域的同时，也更加重视把各种方法综合起来运用.在新出现的分割方法中，基于小波变换的图像分割方法就是一种很好的方法.三是交互式分割探讨

44、的深化.由于很多场合须要对目标图像进行边分割分析,例如对医学图像的分析,因此须要进行交互式分割探讨.事实证明，交互式分割技术有着广泛的应用.四是对特殊图像分割的探讨越来越得到重视.目前有很多针对立体图像、彩色图像、多光谱图像以及多视场图像分割的探讨，也有对运动图像及视频图像中目标分割的探讨,还有对深度图像、纹理(TeXtUre)图像、计算机断层扫描(CT)、磁共振图像、共聚焦激光扫描显微镜图像、合成孔雷达图像等特殊图像的分割技术的探讨.五是对图像分割评价的探讨和对评价系数的探讨越来越得到关注.信任随着探讨的不断深化，存在的问题会很快得到圆满的解决.参考文献1 .樊的，王润生，面对内容检索的彩色

45、图像分割J,计算机探讨及发展，2019；39(3)2 .黄健元,模糊ISoDATA聚类分析方法的改进J,南京航空航天高校学报,2000：32(2)3 .耿伯英，杨静宇，基于多辨别率分析及QFCM算法的图像分割方法探讨U1.计算机探讨及发展，2000；37(8)4 .张旭丽，两种基于空间域聚类分析的彩色图像分割方法比较J,贵州工业高校学报(自然版)，2019：30(2)5 .曹莉华,用颜色特征进行基于形态的检索J,计算机工程及应用,2019；,35(12)：22-246 .叶桦，章国宝，陈维南，基于小波变换的纹理图像分割J,东南高校学报，2019：29(1)7 .KAIsabti,SRanka,

46、VSingh,AnEfficientK-MeansClusteringAlgorithmo：/8 .田玉敏，乃学尚，高有行等,基于整数小波系数的纹理图像检索方法探讨J西安电子科技高校学报，2019：30(1)：90-939.曹莉华，柳伟，李国辉,基于多种主色调的图像枪索算法探讨及实现J计算机探讨及发展，2019；36(1)：96-10010 .开颜,吴军辉,徐立鸿.彩色图像分割方法综述U,中国图象图形学报,2019,10(1):1-10.I1.滕升华.黑白影像的彩色化探讨D.北京：中国科学院电子学探讨所，2019.12 .章筑普.图像分割M.北京：科学出版社，200113 .蔡煦，朱波，曾广周

47、.一种彩色多级闯值的图像分割方法及在形态特征提取方面的应用J.山东高校学报(工学版)，2019,32(4)：333-33614 .吴国雄，陈武凡.图像的模糊增加及聚类分割J.小型微型计算机系统，1994,15(1D:212615 .童星.王命延一种基于粗糙集的图像边缘检测方法期刊论文-计算机及现代化2009(10)16 .黄长专.王彪.杨忠图像分割方法探讨期刊论文-计算机技术及发展2009(6)17 .周萍.改进的图像分割遗传K均值聚类算法J.海军工程高校学报，2009,6,21(3):75-78.18 .张忠林，曹志宇，李元韬.基于加权欧式距离的Kmeans算法探讨J.郑州高校学报：工学版，2019,31(1):89-92.致谢时间如白驹过隙，转瞬即释。四年的高校生活接近了尾声。这短短四年的学习时间，使我终生受益并为将来的人生旅程打算一些阅历和教训，是我的人生中弥足宝贵的四年。论文的顺当完成，离不开各位老师、同学和挚友的关切和帮助。在这里感谢我的导师：胡邵华老师。论文是在他的悉心指导卜完成的。导师渊博的专业学问，严谨的治学看法，精益求精的工作作风，诲人不倦的高尚师德，严以律己、宽以待人的崇高风范，朴实无华、平易近人的人格魅力对我影响深远