基于空间域的聚类算法在图像分割中的应用研究

摘要

图像分割可以认为是将图像元素进行重新划分和归类，使分出来的每一部分具有各自的特点并满足原始需求的过程。它是进一步理解图像的基础，在图像分析的过程中至关重要。目前常用的图像分割方法有阈值分割法、基于边缘检测的方法、区域生长法、基于聚类的分割方法和基于特定理论的分割方法等。研究人员不断改进现有的图像分割方法并融入了一些其它学科的新理论新方法。这些方法都各有优缺点，且目前能适合所有图像的分割方法还没有提出。
　　聚类分析算法大体上可以分为硬聚类算法、模糊聚类算法和可能性聚类算法。目前聚类算法已经广泛应用于图像分割中，并且不断对其进行改进和优化，取得了较好的效果。但是聚类算法在应用于图像分割时，没有考虑到像素点的空间信息，仅仅利用了灰度信息，分割模型不够完整。针对模糊C均值算法和可能性C均值聚类算法进行具体研究，将空间信息引入到算法中，建立基于空间域上的聚类算法，主要包括以下两部分内容：
　　(1)提出一种将马尔科夫随机场引入到可能性C均值聚类算法的新图像分割方法。利用马尔科夫随机场能够很好的描述像素点与其邻域像素点关系的优点，解决可能性C均值算法没有考虑空间像素的缺陷，在多目标图像分割中能够较好地改进可能性C均值算法的过分割现象。
　　(2)将粒子群算法与模糊C均值算法相结合引入到图像分割中，使用动态惯性权重因子的粒子群算法，并改进其速度更新公式，使模糊C均值算法在寻找聚类中心时能够结合整个图像的空间信息，可以取得更佳的分割效果，并且能有效地减少迭代次数，提高算法效率。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 背景及意义

1.2 图像分割的理论基础

1.3 本文研究内容

1.4 本章小结

第2章 聚类算法

2.1 聚类的描述

2.2 相似性度量

2.3 聚类分析方法

2.4 模糊C均值聚类算法

2.5 可能性聚类算法

2.6 本章小结

第3章 马尔科夫随机场约束下的PCM图像分割算法

3.1 Markov随机场与Gibbs随机场

3.2马尔科夫随机场约束下的PCM图像分割算法

3.3 本章小结

第4章 结合改进粒子群算法的模糊C均值算法在图像分割中的应用研究

4.1 粒子群算法概述

4.2 结合改进粒子群算法的模糊C均值算法在图像分割中的应用研究

4.3本章小结

第5章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

个人简历

在校期间发表的学术论文及研究成果