基于自组织神经网络与模糊算法的彩色图像聚类分割系统

摘要

传统的聚类分割算法必须预先设定好分割数目，对于色彩丰富、背景复杂的图像易造成聚类重叠，引起像素错误分类，且在图像处理中效率普遍偏低。而聚类数目与中心直接影响最终的分割质量，因此自适应的找到合适的聚类数目与中心对彩色图像聚类分割具有重要意义和工程应用价值。
　　 本文提出一种基于两层结构的彩色图像聚类系统，该系统能够自动判定颜色数目和聚类中心。第一层结构使用自组织特征映射神经网络(SOFM)将像素映射到二维的平面上。针对传统SOFM易产生色彩的映射畸变，根据彩色图像自身不同的复杂度自动选择不等边距的映射网络。第二层结构处理前一层的结果，使用模糊C均值法按图像分割的数目(2至kmax)进行聚类，Xie-Beni指数的最低值为图像最佳的分割数目，聚类簇的中心由Gath-Geva算法进行调整。最后利用距离竞争取胜的原则处理每个像素，从而实现彩色图像的区域分割。对不同复杂度的彩色图像进行聚类分割的实验结果表明，该方法比传统的SOFM、K-Mean、GK和GNG方法聚类分割的效果更好，具有神经网络与模糊聚类算法两者的优点。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景和课题来源

1.2国内外研究现状

1.3需要解决的问题

1.4论文的主要内容安排

第二章彩色图像聚类分割的相关算法

2.1自组织特征映射神经网络与彩色图像聚类

2.1.1自组织特征映射神经网络的结构

2.1.2自组织神经网络的学习算法

2.1.3自组织神经网络在彩色图像聚类中的实现

2.2聚类算法与颜色数目和聚类中心的选取

2.2.1模糊C均值(FCM)聚类算法的基本概念

2.2.2 Gath-Geva(GG)算法的基本概念

2.2.3其它常见的聚类算法

2.3模糊算法的有效性

2.4本章小结

第三章基于两层结构的彩色图像聚类分割系统

3.1彩色图像聚类分割系统的总体设计

3.2颜色空间的选取问题

3.3基于SOFM神经网络的第一层结构设计

3.3.1 SOFM神经网络的初始化

3.3.2映射网络规模的最适化决策

3.3.3 SOFM在聚类分割系统中的训练算法

3.3.4第一层聚类的收敛标准

3.4基于模糊算法的第二层结构设计

3.4.1颜色分割数目的最优选择

3.4.2聚类中心的调整

3.5彩色图像聚类分割的评价标准

3.6本章小结

第四章彩色图像聚类分割系统的仿真结果

4.1颜色空间的合理性选择

4.2映射网络最优尺寸的选取

4.3分割颜色数目的最优选取

4.4聚类中心的优化调整结果

4.5分割结果与传统方法的比较

4.6本章小结

第五章结束语

5.1总结

5.2下一步工作

致谢

参考文献