基于模糊聚类和均值漂移的图像分割算法研究

摘要

图像分割技术在机器视觉应用中起着越来越重要的作用，各种图像分割算法在不断地被改进和优化，以适应具体的应用场景，新的图像分割算法也在不断地涌现。模糊聚类算法由于其本身的简洁性和稳定性，在图像分割算法研究中得到广泛的应用。对图像噪声的鲁棒性和对图像细节的保护作用是衡量图像分割算法性能的两个重要指标。
　　本研究主要内容包括：⑴为了进一步提高图像分割算法对噪声的抑制性能以及更好地保护图像细节，提高计算速度。在已有基于空间和灰度约束模糊聚类算法的基础上，提出了三点改进方案：第一点改进是提出密度约束的思想，第二点改进是使用高斯核代替欧式距离，第三点改进是使用灰度级代替灰度值来参与迭代计算。这三点改进提高了算法对各种类型噪声的鲁棒性，同时能更好地保护图像细节信息，并且减少了计算量。⑵为了实现自然图像的无监督分割，提出均值漂移和模糊聚类相结合的方法。均值漂移算法在像素特征空间中向着密度梯度增大的方向迭代搜索密度峰值，最终可以确定聚类的类别数和最优聚类中心。使用模糊聚类分割图像时不需要迭代计算聚类中心，只需计算像素的隶属度，减少了模糊聚类的计算量。由于均值漂移的搜索起始点对搜索结果影响比较大，提出了均匀初始化搜索起始点的方法。为了提高分割区域的一致性，提出了隶属度平滑算法。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1 研究背景和研究价值

1.2 图像分割方法综述

1.3 模糊聚类和无监督图像分割算法研究进展

1.4 后续章节安排

第二章 图像分割算法的基础理论

2.1 模糊C均值（FCM）聚类

2.2 相似性距离

2.3 图像噪声及滤波算法

2.4 KFCM分割图像

2.5本章小结

第三章 基于空间灰度及密度信息核模糊聚类的灰度图像分割

3.1引言

3.2基于空间和灰度约束的模糊聚类图像分割算法

3.3 基于空间灰度及密度约束核模糊聚类的图像快速分割

3.4实验结果对比分析

3.5本章小结

第四章 基于均值漂移和模糊聚类的彩色图像自动分割

4.1引言

4.2均值漂移算法简介

4.3 基于均值漂移和模糊聚类彩色图像自动分割

4.4 实验结果验证与对比分析

4.5本章小结

第五章 总结与展望

5.1本文工作总结

5.2对未来工作的展望

参考文献

致谢

作者简介