基于均值漂移和改进的蚁群聚类算法的图像分割

摘要

图像分割技术作为数字图像处理中的基础和关键技术，能有效地使图像的表示形式简化或改变，一直是国际上的研究热点。图像分割方法发展至今，大致可以分为基于边缘检测的图像分割方法、基于阈值的数字图像分割方法、基于区域提取的图像分割方法以及结合特定理论工具的图像分割方法四类。
　　 为了提高图像分割质量，分割效率以及抗噪声干扰能力，本文提出了一种新的图像分割方法。该方法结合了均值漂移和改进的蚁群聚类两种算法的优点，首先利用均值漂移算法对彩色图像进行初步分割，得到一些(一般十个左右)能保持图像基本特性的子区域，然后每个子区域用一个节点代替构成一幅无向加权图，这样图像的再分割问题就转化成了图划分问题。改进的蚁群聚类算法就是用来解决这个问题的。与传统的蚁群聚类算法相比，在改进的算法中，我们提出了新的相似度计算方法，增大了每只蚂蚁最多能携带的目标数，能够实现全局最优，缩短聚类时间。
　　 为了说明文中方法的适用性以及优越性，本项研究采集大量彩色图像进行了试验。试验结果表明，文中方法能很好地实现彩色图像分割，并且与当前较新的两种图像分割方法相比，该方法在图像分割质量，抗干扰能力方面都具有明显的优势。同时，由于文中方法聚类的对象是均值漂移算法初步分割后所得到的节点而非图像中的像素点，这使得图像的分割效率大大提高。所以，文中图像分割方法性能良好，具有广阔的应用前景。

目录

声明

摘要

第一章 绪论

1．1 图像分割简介

1．1．1 图像分割定义

1．1．2 图像分割的发展及现状

1．1．3 图像分割的应用

1．2 均值漂移算法和聚类算法

1．3 课题的研究背景和意义

1．4 论文内容安排

1．5 本章小结

第二章 传统图像分割方法分析

2．1 阈值分割法

2．1．1 算法简介

2．1．2 灰度直方图峰谷法

2．1．3 最大类间方差法

2．1．4 最大熵自动阈值法

2．1．5 仿直实验

2．2 边缘检测法

2．2．1 边缘检测原理

2．2．2 几种经典的边缘检测算子

2．2．3 几种算子试验分析

2．3 区域提取法

2．3．1 区域生长

2．3．2 分裂合并

2．3．3 分水岭算法

2．3．4 仿真实验

2．4 结合特定理论工具分割

2．4．1 数学形态学

2．4．2 多阈值分割中小波变换和直方图的应用

2．4．3 仿真实验

2．5 本章总结

第三章 均值漂移算法在图像初步分割中的应用

3．1 均值漂移算法简介

3．2 基本均值漂移及其扩展

3．2．1 基本均值漂移思想

3．2．1 扩展的均值漂移

3．3 均值漂移算法的步骤

3．4 均值漂移算法在目标跟踪中的应用

3．4．1 算法直观描述

3．4．2 目标跟踪原理

3．4．3 实验结果

3．4．3 实验结果

3．5 均值漂移算法在图像分割中的应用

3．5．1 传统应用

3．5．2 均值漂移算法在本项研究中的应用

3．6 本章小结

第四章 改进的蚁群聚类算法在图像再分割中的应用

4．1 图的建立

4．2 传统的蚁群聚类算法

4．2．1 蚁群聚类行为

4．2．2 基本的KLS算法

4．3 改进的蚁群聚类算法(SCAM-ant)

4．3．1 算法简介

4．3．2 算法实现

4．3．3 算法在图像分割中的实现

4．4 试验

4．5 本章小结

第五章 多种图像分割方法的比较与分析

5．1 基于等周算法的图像分割

5．1．1 图及其基本概念介绍

5．1．2 等周算法应用于图像分割

5．1．3 算法分析

5．2 基于Ncut准则的图像分割

5．2．1 Ncut准则简介

5．2．2 算法分析及应用

5．3 三种算法的比较与分析

5．3．1 图像分割结果比较

5．3．2 抗干扰能力比较

5．3．3 分割效率比较

5．4 本章小结

第六章 总结及展望

6，1 全文总结

6．2 不足与展望

参考文献

致谢

攻读硕士学位期间发表的学术论文