全局模糊C-均值聚类算法在色彩迁移中的应用

摘要

在图像处理领域中，色彩迁移指的是把一幅图像的颜色信息转移到另一幅图像，使新生成的图像既保存原图像的形状信息又具有其他图像的色彩信息。根据所选的目标图像的不同，不仅能产生不同的视觉效果，而且也提高了技术处理的多样性和艺术性。 本文分析了色彩迁移的主要算法，通过分析比较，针对迁移方法中的模糊聚类方法进行深入研究，并选取模糊C—均值聚类算法作为突破点。主要工作包括以下几个部分： 分析了传统的色彩迁移算法的不足和FCM算法的缺陷，针对模糊C—均值聚类算法对初始化特别敏感、很容易陷入局部极小值的缺陷，本文将全局模糊C—均值聚类算法引入到色彩迁移过程中，提出一种基于全局模糊C—均值聚类算法。该算法是一个确定性的全局优化方法，不依赖于任何的初始参数值，仅仅使用FCM作为局部搜索的工具。算法不需要随机地选取初始聚类中心，而是以递增的方式来实施算法的处理过程，克服了FCM对初值敏感的问题，提高了聚类的准确性和稳定性。 提出了基于全局模糊C—均值聚类的色彩迁移算法，在迁移效果上、迁移稳定性上对原来的基于FCM的色彩迁移方法进行了改进。实际测试结果表明，新的颜色迁移算法能满足不同颜色复杂程度的图像的颜色迁移要求，并且能避免局部最小的缺陷。

目录

文摘

英文文摘

声明

第1章绪论

1.1 色彩迁移研究背景及意义

1.2 国内外研究现状

1.3 本文主要工作

1.4本章小结

第2章 色彩迁移理论基础及模糊聚类

2.1 色彩迁移算法的研究内容

2.2 颜色空间基本概念

2.3 lαβ空间与RGB空间的相互转换

2.4 颜色信息迁移

2.5 模糊聚类算法

2.6 颜色传递效果评价指标

2.7 本章小结

第3章 改进的全局模糊C-均值聚类算法

3.1 FCM算法分析

3.2 改进的GFCM聚类算法

3.3 对GFCM算法的改进

3.4 本章小结

第4章 基于模糊C-均值聚类的色彩迁移算法

4.1 基于改进的GFCM算法的色彩迁移流程

4.2 基于GFCM算法的色彩迁移实现步骤

4.3 实验结果

4.4 实验讨论

4.5本章小结

第5章总结与展望

5.1 全文总结

5.2 待解决的问题

5.3 研究工作展望

5.4本章小结

参考文献

附录