1、精選優(yōu)質(zhì)文檔-傾情為你奉上模式識別課程設(shè)計 聚類圖像分割 一圖像分割概述 圖像分割是一種重要的圖像分析技術(shù)。在對圖像的研究和應用中，人們往往僅對圖像中的某些部分感興趣。這些部分常稱為目標或前景（其他部分稱為背景）。它們一般對應圖像中特定的、具有獨特性質(zhì)的區(qū)域。為了辨識和分析圖像中的目標，需要將它們從圖像中分離提取出來，在此基礎(chǔ)上才有可能進一步對目標進行測量，對圖像進行利用。圖像分割就是把圖像分成各具特性的區(qū)域并提取出感興趣目標的技術(shù)和過程?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。近年來，研究人員不斷改進原有的圖像

2、分割方法并把其它學科的一些新理論和新方法用于圖像分割，提出了不少新的分割方法。圖象分割是圖象處理、模式識別和人工智能等多個領(lǐng)域中一個十分重要且又十分困難的問題，是計算機視覺技術(shù)中首要的、重要的關(guān)鍵步驟。圖象分割應用在許多方面，例如在汽車車型自動識別系統(tǒng)中，從CCD攝像頭獲取的圖象中除了汽車之外還有許多其他的物體和背景，為了進一步提取汽車特征，辨識車型，圖象分割是必須的。因此其應用從小到檢查癌細胞、精密零件表面缺陷檢測，大到處理衛(wèi)星拍攝的地形地貌照片等。在所有這些應用領(lǐng)域中，最終結(jié)果很大程度上依賴于圖象分割的結(jié)果。因此為了對物體進行特征的提取和識別，首先需要把待處理的物體(目標)從背景中劃分出來

3、，即圖象分割。但是，在一些復雜的問題中，例如金屬材料內(nèi)部結(jié)構(gòu)特征的分割和識別，雖然圖象分割方法已有上百種，但是現(xiàn)有的分割技術(shù)都不能得到令人滿意的結(jié)果，原因在于計算機圖象處理技術(shù)是對人類視覺的模擬，而人類的視覺系統(tǒng)是一種神奇的、高度自動化的生物圖象處理系統(tǒng)。目前，人類對于視覺系統(tǒng)生物物理過程的認識還很膚淺，計算機圖象處理系統(tǒng)要完全實現(xiàn)人類視覺系統(tǒng)，形成計算機視覺，還有一個很長的過程。因此從原理、應用和應用效果的評估上深入研究圖象分割技術(shù)，對于提高計算機的視覺能力和理解人類的視覺系統(tǒng)都具有十分重要的意義。二常用的圖像分割方法1.基于閾值的分割方法包括全局閾值、自適應閾值、最佳閾值等等。閾值分割算法

4、的關(guān)鍵是確定閾值，如果能確定一個合適的閾值就可準確地將圖像分割開來。閾值確定后，將閾值與像素點的灰度值比較和像素分割可對各像素并行地進行，分割的結(jié)果直接給出圖像區(qū)域。全局閾值是指整幅圖像使用同一個閾值做分割處理，適用于背景和前景有明顯對比的圖像。它是根據(jù)整幅圖像確定的：T=T(f)。但是這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。2基于邊緣的分割方法檢測灰度級或者結(jié)構(gòu)具有突變的地方，表明一個區(qū)域的終結(jié)，也是另一個區(qū)域開始的地方。這種不連續(xù)性稱為邊緣。不同的

5、圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。圖像中邊緣處像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導數(shù)來檢測到。對于階躍狀邊緣，其位置對應一階導數(shù)的極值點，對應二階導數(shù)的過零點(零交叉點)。因此常用微分算子進行邊緣檢測。常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Laplace算子和Kirsh算子等。在實際中各種微分算子常用小區(qū)域模板來表示，微分運算是利用模板和圖像卷積來實現(xiàn)。這些算子對噪聲敏感，只適合于噪聲較小不太復雜的圖像。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。因此用微分算子檢測

6、邊緣前要對圖像進行平滑濾波。LoG算子和Canny算子是具有平滑功能的二階和一階微分算子，邊緣檢測效果較好，如圖4所示。其中l(wèi)oG算子是采用Laplacian算子求高斯函數(shù)的二階導數(shù)，Canny算子是高斯函數(shù)的一階導數(shù)，它在噪聲抑制和邊緣檢測之間取得了較好的平衡。3基于聚類分析的圖像分割方法特征空間聚類法進行圖像分割是將圖像空間中的像素用對應的特征空間點表示，根據(jù)它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，得到分割結(jié)果。其中，K均值、模糊C均值聚類(FCM)算法是最常用的聚類算法。K均值算法先選K個初始類均值，然后將每個像素歸入均值離它最近的類并計算新的類均值。迭代執(zhí)行

7、前面的步驟直到新舊類均值之差小于某一閾值。模糊C均值算法是在模糊數(shù)學基礎(chǔ)上對K均值算法的推廣，是通過最優(yōu)化一個模糊目標函數(shù)實現(xiàn)聚類，它不像K均值聚類那樣認為每個點只能屬于某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點，適合處理事物內(nèi)在的不確定性。利用模糊C均值(FCM)非監(jiān)督模糊聚類標定的特點進行圖像分割，可以減少人為的干預，且較適合圖像中存在不確定性和模糊性的特點。三K均值聚類分割算法概述1.K-均值聚類算法的工作原理：K-means算法的工作原理：算法首先隨機從數(shù)據(jù)集中選取 K個點作為初始聚類中心，然后計算各個樣本到聚類中的距離，把樣本歸到離它

8、最近的那個聚類中心所在的類。計算新形成的每一個聚類的數(shù)據(jù)對象的平均值來得到新的聚類中心，如果相鄰兩次的聚類中心沒有任何變化，說明樣本調(diào)整結(jié)束，聚類準則函數(shù) 已經(jīng)收斂。本算法的一個特點是在每次迭代中都要考察每個樣本的分類是否正確。若不正確，就要調(diào)整，在全部樣本調(diào)整完后，再修改聚類中心，進入下一次迭代。如果在一次迭代算法中，所有的樣本被正確分類，則不會有調(diào)整，聚類中心也不會有任何變化，這標志著 已經(jīng)收斂，因此算法結(jié)束。2.K-means聚類算法的一般步驟及處理流程：（1） 從n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心；（2） 循環(huán)（3）到（4）直到每個

9、聚類不再發(fā)生變化為止；（3）根據(jù)每個聚類對象的均值（中心對象），計算每個對象與這些中心對象的距離；并根據(jù)最小距離重新對相應對象進行劃分；（4）重新計算每個（有變化）聚類的均值（中心對象）3.K-means算法的特點。采用兩階段反復循環(huán)過程算法，結(jié)束的條件是不再有數(shù)據(jù)元素被重新分配：指定聚類，即指定數(shù)據(jù) 到某一個聚類，使得它與這個聚類中心的距離比它到其它聚類中心的距離要近。修改聚類中心。優(yōu)點：本算法確定的K個劃分到達平方誤差最小。當聚類是密集的，且類與類之間區(qū)別明顯時，效果較好。對于處理大數(shù)據(jù)集，這個算法是相對可伸縮和高效的，計算的復雜度為O(NKt)，其中N是數(shù)據(jù)對象的數(shù)目，t是迭代

10、的次數(shù)。一般來說，K<<N，t<<N。4、 聚類圖像分割實例：1、 流程圖2、實驗過程（1）、讀取待處理圖片close all;clear;I_rgb = imread('bird.jpg'); %讀取文件數(shù)據(jù)figure(1);subplot(1,2,1);imshow(I_rgb); %顯示原圖title('原始圖像');（2）.將彩色圖像從RGB轉(zhuǎn)化到lab彩色空間C = makecform('srgb2lab'); %設(shè)置轉(zhuǎn)換格式I_lab = applycform(I_rgb, C);（3）.進行K-mean聚類

11、將圖像分割成3個區(qū)域ab = double(I_lab(:,:,2:3); %取出lab空間的a分量和b分量nrows = size(ab,1);ncols = size(ab,2);ab = reshape(ab,nrows*ncols,2);nColors = 3; %分割的區(qū)域個數(shù)為3（4）.顯示聚類結(jié)果cluster_idxcluster_center=kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重復聚類3次pixel_labels = reshape(clus

12、ter_idx,nrows,ncols);figure(1);subplot(111);imshow(pixel_labels,), title('聚類結(jié)果');（5）、顯示分割后的各個區(qū)域segmented_images = cell(1,nColors);rgb_label = repmat(pixel_labels,1 1 3);for k = 1:nColors color = I_rgb; color(rgb_label = k) = 0; segmented_imagesk = color;Endimshow(segmented_images1),title('分割結(jié)果1'); imshow(segmented_images2),title('分割結(jié)果2');imshow(segmented_images3),title('分割結(jié)果3');五、實驗結(jié)果分析本算法確定的K個劃分