K均值算法圖像分割2

第頁(yè)畢業(yè)論文(設(shè)計(jì))題目基于特征的圖像分割技術(shù)學(xué)生姓名萬(wàn)亞堃 學(xué)號(hào)20191334044 學(xué)院電子及信息工程學(xué)院 專業(yè)通信工程 指導(dǎo)教師 胡昭華老師二Ｏ一五年四月五日目錄1.緒論 51.1 課題研究意義 51.2圖像分割技術(shù)發(fā)展概況 51.3圖像分割方法的現(xiàn)狀 71.4論文內(nèi)容 92.基于綜合特征的圖像分割 102.1概述 102.2顏色空間選取 102.3圖像特征提取 112.3.1顏色特征提取 112.3.2紋理特征提取 112.4綜合特征分割 123.K均值算法 123.1原始K均值算法 123.2K均值聚類分割算法 133.2.1聚類 133.2.2K-均值聚類算法的工作原理： 133.2.3K-means聚類算法的一般步驟： 143.2.4K-均值聚類法的缺點(diǎn)： 143.3．基于灰度空間的彩色圖像像素聚類 143.4改進(jìn)的k-均值聚類圖像分割算法 153.5分割結(jié)果及分析 194.本文結(jié)論 194.1存在的問(wèn)題以及對(duì)未來(lái)的展望 19參考文獻(xiàn) 20致謝 22附一：K-均值聚類改進(jìn)前的matlab源程序 23基于特征的圖像分割技術(shù)萬(wàn)亞堃南京信息工程大學(xué)電子及信息工程學(xué)院，江蘇南京210044摘要：圖像分割是指將一副圖像分解為若干互不交疊的有意義且具有相同屬性的區(qū)域。圖像分割是數(shù)字圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，其分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性，因此具有十分重要的意義。現(xiàn)有的分割算法在不同程度上取得了一定的成功，但是圖像分割的很多問(wèn)題還遠(yuǎn)遠(yuǎn)沒(méi)有解決，該方面的研究仍然面臨很多挑戰(zhàn)。本文采用改進(jìn)的K均值算法進(jìn)行圖像分割，在顏色空間選取上也采用比較好的RBG顏色空間，對(duì)圖像分別進(jìn)行了顏色特征提取及紋理特征提取，最后進(jìn)行了原始K均值算法及改進(jìn)后的K均值算法分割圖形的比較，實(shí)驗(yàn)結(jié)果表明本文提出的方法可以很好的從圖像中分割出有意義的區(qū)域，更突出目標(biāo)區(qū)域。關(guān)鍵詞：圖像分割，顏色空間，K均值聚類。BasedonthecharacteristicsoftheimagesegmentationtechnologyWanyakunNUIST，Nanjing210044，ChinaAbstract：Imagesegmentationisapairofimagesaredecomposedintoseveralmutuallyoverlappingareaofmeaningfulandwiththesameattribute.Imagesegmentationisakeytechnologyofdigitalimageprocessing，Thesegmentationaccuracydirectlyaffecttheeffectivenessofthesubsequenttask,Soitisofvitalsignificance.Existingsegmentationalgorithmindifferentdegree,hasachievedsomesuccess,butisfarfromsolvedmanyproblemsofimagesegmentation,theresearchstillfacesmanychallenges.Imagesegmentationisoneofthemostbasicandimportantfieldinimageprocessing,istovisualimageanalysisandpatternrecognitionisthebasicpremise.ProposedinthispaperUSEStheimprovedk-meansalgorithmforimagesegmentation,ontheselectionofcolorspaceisbetterHUVbasedoncolorspace(bylinearRBGcolorspacetransformation).Imagefeatureandcolorfeatureextractionoftexturefeatureextractionrespectively,finallyhascarriedontheoriginalk-meansalgorithmandtheimprovedk-meansalgorithmsegmentationgraphicalcomparisonoftheexperimentalresultsshowthattheproposedapproachcanbeverygoodmeaningfulregionssegmentedfromtheimage.Keywords:Imagesegmentation,colorspace,k-meansclustering.1.緒論1.1 課題研究意義圖像分割是數(shù)字圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，它通常用于對(duì)圖像進(jìn)行分析、識(shí)別、編碼等處理之前的預(yù)處理環(huán)節(jié)，其分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性，因此具有十分重要的意義。自上世紀(jì)70年代以來(lái)，已經(jīng)出現(xiàn)了多種圖像分割方法，而每一種圖像分割方法都是為了解決一些特定的應(yīng)用問(wèn)題。該技術(shù)成功地應(yīng)用于許多領(lǐng)域，例如：交通路口的電子警察、光學(xué)字符識(shí)別（OCR）、指紋識(shí)別、機(jī)動(dòng)車牌號(hào)識(shí)別等等。圖像分割是指將一副圖像分解為若干互不交疊的有意義且具有相同屬性的區(qū)域。好的圖像分割應(yīng)具備的特性：①分割出來(lái)的各區(qū)域?qū)δ撤N性質(zhì)如灰度、紋理而言具有相似性，區(qū)域內(nèi)部比較平整；②相鄰區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)有明顯的差異；③區(qū)域邊界上是明確和規(guī)整的。大多數(shù)圖像分割方法只是部分滿足上述特征。如果強(qiáng)調(diào)分割區(qū)域的同性質(zhì)約束，則分割區(qū)域很容易產(chǎn)生大量小孔和不規(guī)則邊緣；若強(qiáng)調(diào)不同區(qū)域間性質(zhì)差異的顯著性，則易造成不同區(qū)域的合并。具體處理時(shí)，不同的圖像分割方法總是在各種約束條件之間尋找一種合理的平衡。雖然圖像分割方法已經(jīng)有了很大的發(fā)展，但由于它的復(fù)雜性，仍有很多問(wèn)題沒(méi)有很好地得到解決。因此，人們至今還一直在努力發(fā)展新的、更有潛力的分割算法，以期實(shí)現(xiàn)更通用、更完美的分割結(jié)果。實(shí)踐表明，對(duì)圖像分割理論及技術(shù)的進(jìn)一步研究仍然具有非常重要的意義。本文首先對(duì)數(shù)字圖像分割的一些經(jīng)典分割方法作了概述，然后分析了現(xiàn)有項(xiàng)目開(kāi)發(fā)中使用的圖像分割方法所存在的問(wèn)題，最后基于經(jīng)典算法進(jìn)行技術(shù)改進(jìn)，實(shí)現(xiàn)了一種新的分割方法，并將其應(yīng)用到實(shí)驗(yàn)當(dāng)中，取得了良好的效果。1.2圖像分割技術(shù)發(fā)展概況利用計(jì)算機(jī)進(jìn)行圖像處理有兩個(gè)目的：一是產(chǎn)生出更適合人觀察和識(shí)別的圖像，二是希望能夠由計(jì)算機(jī)自動(dòng)識(shí)別和理解圖像。無(wú)論為了哪種目的，關(guān)鍵的一步就是能夠?qū)Π写罅?、各式各樣景物信息的圖像進(jìn)行分解，分解的最終結(jié)果是一些具有某種特征的最小成分即圖像的基元。圖像的特征指圖像中可用作標(biāo)志的屬性。它可分為圖像統(tǒng)計(jì)特征和圖像的視覺(jué)特征兩類。圖像的視覺(jué)特征是一些人為特征，需通過(guò)變換才能得到，如圖像的直方圖。圖像的視覺(jué)特征指人的視覺(jué)可直接感受到的自然特征，如區(qū)域的亮度、紋理或輪廓等等。上述將圖像分解成具有不同特殊單元的過(guò)程就是圖像的分割，由此可以看出，圖像分割是實(shí)現(xiàn)圖像分析的重要步驟。圖像分割是圖像分析的初始步驟之一，也是圖像處理最原始的問(wèn)題，幾乎自數(shù)字圖像處理問(wèn)世不久，人們就開(kāi)始了圖像分割技術(shù)的研究，并取得了相當(dāng)?shù)倪M(jìn)展和成功。但由于它的復(fù)雜性，有許多問(wèn)題沒(méi)有很好地解決，因此人們至今還一直在努力發(fā)展新的、更有潛力的分割算法，以期實(shí)現(xiàn)更通用、更完美的分割結(jié)果。圖像分割是計(jì)算機(jī)圖像處理的一個(gè)基本問(wèn)題，是許多后續(xù)圖像分析任務(wù)的第一步處理，特別是對(duì)于圖像識(shí)別、圖像的可視化和基于目標(biāo)的圖像壓縮都高度依賴于分割結(jié)果。圖像分割是由圖像處理進(jìn)到圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺(jué)技術(shù)，這是因?yàn)閳D像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測(cè)量將原始的圖像轉(zhuǎn)化為更抽象、更緊湊的形式，使得更高層的分析和理解成為可能。通常，分割問(wèn)題包括將給定圖像中相似的塊分割成一個(gè)區(qū)，相鄰的分割結(jié)果是不相似的。從另一個(gè)角度說(shuō)，分割也可以被認(rèn)為是像素的標(biāo)記處理，屬于同一區(qū)域的像素被標(biāo)上相同的號(hào)。一直以來(lái)，人們致力于分割方法的研究，提出了很多分割方法。但是，圖像分割仍然是圖像處理中的一個(gè)瓶頸。實(shí)際上，圖像分割就是把圖像中的目標(biāo)分成許多感興趣的區(qū)域及圖像中各種物體目標(biāo)相對(duì)應(yīng)。目前可能的理解圖像方法只限于信息中部分特征，如：灰度差別、局部紋理差別、彩色差別、局部統(tǒng)計(jì)特征或局部區(qū)域的頻譜特征的差別等成熟技術(shù)表征的特征。既然我們只能用圖像信息中某些部分特征去分割區(qū)域，因此各種分割方法必然帶有局限性。迄今為止，還沒(méi)有一種圖像分割方法適用于所有的圖像。圖像分割的實(shí)質(zhì)是要正確地劃分屬性空間，使得具有相同屬性的像素歸屬于同一區(qū)域，不同屬性的像素歸屬不同的區(qū)域。圖像分割方法的研究始于上世紀(jì)50年代，研究己有幾十年的歷史，借助各種理論至今已提出了上千種各種類型的分割算法，而且這方面的研究仍在積極進(jìn)行中。經(jīng)典的圖像分割方法分為以下幾種：1、閾值分割技術(shù)閾值分割技術(shù)是經(jīng)典的、流行的圖像分割方法之一，也是最簡(jiǎn)單的一種圖像分割方法，這種方法的關(guān)鍵在于尋找適當(dāng)?shù)幕叶乳撝?。常用的方法有最大類間方差法、最小誤差法、最大熵法等。這些方法都是基于一維灰度直方圖，而且對(duì)整幅圖像使用一個(gè)固定全局閾值，如果圖像中有陰影或光照不均等，分割效果會(huì)受到影響。為此，提出了用二維直方圖或者動(dòng)態(tài)閾值等技術(shù)進(jìn)行分割，但同時(shí)計(jì)算復(fù)雜度會(huì)增加。閾值分割技術(shù)它僅適用于高反差的簡(jiǎn)單圖像的分割，不能滿足灰度漸變或以某種紋理而不是灰度來(lái)表征不同區(qū)域的那些復(fù)雜圖像的分割。2、區(qū)域技術(shù)區(qū)域技術(shù)通過(guò)對(duì)目標(biāo)像素的直接檢測(cè)來(lái)實(shí)現(xiàn)分割。區(qū)域生長(zhǎng)法是一種常用的區(qū)域技術(shù)。區(qū)域增長(zhǎng)是：先從每個(gè)需要分割的目標(biāo)中找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將其周圍的像素按照某種相似性標(biāo)準(zhǔn)(如灰度相似性)及之對(duì)比，如果滿足標(biāo)準(zhǔn)則合并到種子像素的集合內(nèi)，將新合并的像素作為新的種子像素繼續(xù)向外擴(kuò)展，直到找不到滿足條件的像素為止。這種方法能夠同時(shí)利用圖像的多種性質(zhì)進(jìn)行分割，但是由于它采用串行機(jī)制，計(jì)算時(shí)間較長(zhǎng)，實(shí)時(shí)性較差。邊緣檢測(cè)技術(shù)圖像分割能夠通過(guò)檢測(cè)不同區(qū)域的邊緣來(lái)獲得。在目標(biāo)的邊緣處常常有灰度的急劇變化，借助各種空域微分算子，如梯度算子，方向算子，拉普拉斯算子和馬爾算子等，能夠檢測(cè)出圖像中具有邊緣特性的像素點(diǎn)。在此基礎(chǔ)上，采用邊界閉合技術(shù)把邊緣像素連接起來(lái)組成目標(biāo)區(qū)域的封閉邊界，從而達(dá)到分割的目的。但邊界檢測(cè)是一項(xiàng)困難的工作，因?yàn)橥ǔD像的邊界都很難找到。隨著數(shù)學(xué)工具，成像設(shè)備和計(jì)算機(jī)技術(shù)的發(fā)展，圖像分割方法呈現(xiàn)出新的特點(diǎn)和趨勢(shì)：（1）多種新興數(shù)學(xué)工具的加入，使得新的方法不斷涌現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)，小波理論和遺傳算法是加世紀(jì)90年代興起的新型理論工具，人們將其應(yīng)用到圖像分割中，起到了改善分割效果，擴(kuò)展適用范圍以及提高運(yùn)算速度等作用。（2）成像設(shè)備和技術(shù)的發(fā)展使得應(yīng)用對(duì)象的范圍大大擴(kuò)展?，F(xiàn)在采集的圖像種類及以往相比有了較大的變化和發(fā)展，不僅僅局限于常見(jiàn)的兩維靜止灰度圖像，還有各種3維圖像，彩色圖像，運(yùn)動(dòng)圖像等等。這些發(fā)展對(duì)圖像分割方法提出了更高的要求。（3）多特征的利用和多方法的融合。圖像分割方法要取得更好的效果，不能局限于單一特征的分析，而要綜合利用多種信息。圖像分割是一個(gè)復(fù)雜的過(guò)程，需要融合多種方法的優(yōu)勢(shì)進(jìn)行。1.3圖像分割方法的現(xiàn)狀從上世紀(jì)五十年代開(kāi)始，學(xué)者一直熱衷于研究圖像分割技術(shù)。迄今為止，已提出上千種圖像分割算法，依這些算法對(duì)圖像處理的特點(diǎn)，主要可分為以下幾類方法。（1）閾值分割法閾值分割法作為一種常見(jiàn)的區(qū)域并行技術(shù)，它通過(guò)設(shè)置閥值，把像素點(diǎn)按灰度級(jí)分若干類，從而實(shí)現(xiàn)圖像分割。由于是直接利用圖像的灰度特性，因此計(jì)算方便簡(jiǎn)明、實(shí)用性強(qiáng)。顯然，閾值分割方法的關(guān)鍵和難點(diǎn)是如何取得一個(gè)合適的閾值，而實(shí)際應(yīng)用中閾值設(shè)定易受噪聲和光亮度影響。近年來(lái)關(guān)于閾值分割法主要有：最大相關(guān)性原則選擇閾值法、基于圖像拓?fù)浞€(wěn)定狀態(tài)法、灰度共生矩陣法、熵法、峰值和谷值分析法等。其中，自適應(yīng)閾值法、最大熵法、模糊閾值法、類間閾值法是對(duì)傳統(tǒng)閾值法改進(jìn)較成功的幾種算法。更多的情況下，閾值的選擇會(huì)綜合運(yùn)用兩種或兩種以上的方法，這也是圖像分割發(fā)展的一個(gè)趨勢(shì)。例如，將圖像的灰度直方圖看作是高斯分布的選擇法及自適應(yīng)定向正交投影高斯分解法的結(jié)合，較好地?cái)M合了直方圖的多峰特性，從而得到了更為準(zhǔn)確的分割效果。閾值法的缺陷主要在于它僅僅考慮了圖像的灰度信息，而忽略了圖像的空間信息。對(duì)于非此即彼的簡(jiǎn)單圖像處理（如一些二值圖像的處理）是有效的，但是對(duì)于圖像中不存在明顯的灰度差異或各物體的灰度值范圍有較大重疊的圖像分割問(wèn)題則難以得到準(zhǔn)確的分割效果。（2）基于邊緣的圖像分割法邊緣總是以強(qiáng)度突變的形式出現(xiàn)，可以定義為圖像局部特征的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變等。邊緣常常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開(kāi)始，圖像的邊緣包含了物體形狀的重要信息，它不僅在分析圖像時(shí)大幅度地減少了要處理的信息量，還保護(hù)了目標(biāo)的邊界結(jié)構(gòu)。對(duì)于邊緣的檢測(cè)常常借助空間微分算子進(jìn)行，通過(guò)將其模板及圖像卷積完成。兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣，而這正是灰度值不連續(xù)的結(jié)果，這種不連續(xù)可以利用求一階和二階導(dǎo)數(shù)檢測(cè)到。當(dāng)今的局部技術(shù)邊緣檢測(cè)方法中，主要有一次微分（Sobel算子、Roberts算子）、二次微分（拉普拉斯算子等）和模板操作（Prewitt算子、Kirsch算子和Robinson算子）等。這些邊緣檢測(cè)器對(duì)邊緣灰度值過(guò)渡比較尖銳且噪聲較小等不太復(fù)雜的圖像可以取得較好的效果，但對(duì)于邊緣復(fù)雜（如邊緣模糊、邊緣丟失、邊緣不連續(xù)等）的圖像效果不太理想。此外，噪聲的存在使基于導(dǎo)數(shù)的邊緣檢測(cè)方法效果明顯降低，在噪聲較大的情況下所用的邊緣檢測(cè)算子通常都是先對(duì)圖像進(jìn)行適當(dāng)?shù)钠交种圃肼?，然后求?dǎo)數(shù),或者對(duì)圖像進(jìn)行局部擬合，然后再用擬合光滑函數(shù)的導(dǎo)數(shù)來(lái)代替直接的數(shù)值導(dǎo)數(shù)，如Marr算子、Canny算子等。有關(guān)學(xué)者曾給出了一種基于彩色邊緣的圖像分割方法，這是對(duì)傳統(tǒng)邊緣分割方法只適用于灰度圖像狀況的一個(gè)突破。在未來(lái)的研究中，用于提取初始邊緣點(diǎn)的自適應(yīng)閾值選取、用于圖像層次分割的更大區(qū)域的選取，以及如何確認(rèn)重要邊緣去除假邊緣將變得非常重要。（3）基于聚類的分割法對(duì)灰度圖像和彩色圖像中相似灰度或色度合并的方法稱之為聚類，通過(guò)聚類將圖像表示為不同區(qū)域即所謂的聚類分割方法。此方法的實(shí)質(zhì)是將圖像分割問(wèn)題轉(zhuǎn)化為模式識(shí)別的聚類分析，如k均值、參數(shù)密度估計(jì)、非參數(shù)密度估計(jì)等方法都能用于圖像分割。常用的聚類分割有顏色聚類分、灰度聚類分割和像素空間聚類分割。顏色聚類分割實(shí)際上是將相似的幾種顏色合并為一色，描述顏色近似程度的指標(biāo)是色差，在標(biāo)準(zhǔn)CIE勻色空間中，色差是用兩個(gè)顏色的距離來(lái)表示的。但是顯示器采用的RGB空間是顯示器的設(shè)備空間，及CIE系統(tǒng)的真實(shí)三原色不同，為簡(jiǎn)單起見(jiàn)，一般采用RGB色空間中的距離來(lái)表示?；叶染垲惙指罹褪侵话褕D像分成目標(biāo)和背景兩類，而且僅考慮像素的灰度，這就是一個(gè)在一維空間中把數(shù)據(jù)分成兩類的問(wèn)題。通過(guò)在灰度空間完成聚類，得到兩個(gè)聚類中心（用灰度值表征），聚類中心連線的中點(diǎn)便是閾值。顯然這個(gè)概念也可以輕松地延擴(kuò)至多閾值和動(dòng)態(tài)閾值的情況。像素空間聚類分割在某些特定的尺度上觀察圖像，比如說(shuō)把圖像信號(hào)通過(guò)一個(gè)帶通濾波器，濾波的結(jié)果將使圖像的局部信息更好地被表達(dá)。通過(guò)一個(gè)多尺度分解，輪廓信息可以在大尺度圖像上保留下來(lái)，細(xì)節(jié)或者突變信息可以在中小尺度上體現(xiàn)，基于多尺度圖像特征聚類的分割方法漸漸得到了人們的關(guān)注。（3）函數(shù)優(yōu)化法基于函數(shù)優(yōu)化的分割方法是圖像分割中另一大類常用的方法，其基本思路是給出一個(gè)目標(biāo)函數(shù)，通過(guò)該目標(biāo)函數(shù)的極大化或極小化來(lái)分割圖像，G.A.Hewer等人提出了一個(gè)具有廣泛意義的目標(biāo)函數(shù)。統(tǒng)計(jì)學(xué)分割法、結(jié)合區(qū)域及邊緣信息法、最小描述長(zhǎng)度（MDL）法、基于貝葉斯公式的分割法等是目前幾種活躍的函數(shù)優(yōu)化法。統(tǒng)計(jì)學(xué)分割法就是把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量，且觀察到的實(shí)際物體是作了某種變換并加入噪聲的結(jié)果。統(tǒng)計(jì)學(xué)分割方法包括基于馬爾科夫隨機(jī)場(chǎng)法(MRF)、標(biāo)號(hào)法(Labeling)和混合分布法(Mixture)等。結(jié)合區(qū)域及邊緣信息法是基于區(qū)域信息的圖像分割的主要方法。區(qū)域增長(zhǎng)有兩種方式：一種是先將圖像分割成很多一致性較強(qiáng)的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的目的；另一種是事先給定圖像中要分割目標(biāo)的一個(gè)種子區(qū)域，再在種子區(qū)域基礎(chǔ)上將周圍的像素點(diǎn)以一定的規(guī)則加入其中，最終達(dá)到目標(biāo)及背景分離的目的。分裂合并法對(duì)圖像的分割是按區(qū)域生長(zhǎng)法沿相反方向進(jìn)行的，無(wú)需設(shè)置種子點(diǎn)，其基本思想是給定相似測(cè)度和同質(zhì)測(cè)度，從整幅圖像開(kāi)始，如果區(qū)域不滿足同質(zhì)測(cè)度，則分裂成任意大小的不重疊子區(qū)域；如果兩個(gè)鄰域的子區(qū)域滿足相似測(cè)度則合并。最小長(zhǎng)度描述法（MDL）的基本思路是用一種計(jì)算機(jī)語(yǔ)言來(lái)描述圖像的區(qū)域和邊界信息，得到一個(gè)描述長(zhǎng)度函數(shù)，以此作為目標(biāo)函數(shù)，根據(jù)圖像極小化描述長(zhǎng)度從而得到分割結(jié)果。MDL準(zhǔn)則主要應(yīng)用于區(qū)域競(jìng)爭(zhēng)中，即通過(guò)這種規(guī)則對(duì)比若干個(gè)種子區(qū)域，找出其中的壞種子。它常常及其他方法結(jié)合使用。1.4論文內(nèi)容本文通過(guò)大量閱讀圖像分割技術(shù)方面的文獻(xiàn)，認(rèn)真研究K均值算法，并對(duì)其中的一些算法提出了改進(jìn)優(yōu)化了K均值算法。算法流程為顏色空間選取--圖像特征提?。伾卣魈崛『图y理特征提?。?-綜合特征分割--分割結(jié)果及分析。文章內(nèi)容安排如下：第一章：主要闡述課題研究意義，圖像分割技術(shù)發(fā)展概況，圖像分割方法的現(xiàn)狀，論文的主要內(nèi)容。第二章：主要闡述技術(shù)基于綜合特征的圖像分割的流程顏色空間的選?。ū容^HSV顏色空間及RGB顏色空間，最后選擇了RGB顏色空間--圖像特征的提?。ǚ謩e進(jìn)行顏色特征提取和紋理特征提?。?-綜合特征分割（先用原始的K均值算法，然后再使用改進(jìn)后的K均值算法，對(duì)兩者進(jìn)行比較，K均值算法的流程為初始聚類--K均值迭代--后處理）--分割結(jié)果及其分析（對(duì)原始K均值算法及改進(jìn)后的K均值算法所分割出來(lái)的圖像進(jìn)行對(duì)比，發(fā)現(xiàn)區(qū)別得出結(jié)論）。（3）第三章：存在的問(wèn)題以及對(duì)未來(lái)的展望。2.基于綜合特征的圖像分割2.1概述目前彩色圖像的分割方法大多僅用顏色特征或紋理特征，難以滿足基于內(nèi)容檢索應(yīng)用的需要。例如目前很有代表性的VisualSEEK系統(tǒng)僅僅采用顏色特征用于分割，很容易對(duì)高紋理區(qū)域產(chǎn)生過(guò)分割，而一些僅用紋理分割的算法又沒(méi)有充分利用顏色所攜帶的豐富信息，可能產(chǎn)生欠分割，不管是只使用顏色特征進(jìn)行的分割，還是只是用紋理特征進(jìn)行的分割在對(duì)圖像進(jìn)行分割的時(shí)候都會(huì)產(chǎn)生不好的影響，因此有效地融合顏色和紋理信息是獲得穩(wěn)健的圖像分割的重要途徑。目前，這方面的分割方法的研究相對(duì)較少。針對(duì)這個(gè)問(wèn)題，該文提出了一種利用圖像的顏色和紋理綜合特征進(jìn)行分割的方法。圖像分割方法有很多種，其中，聚類法是一個(gè)較簡(jiǎn)單有效的綜合特征分割方法，已被廣泛應(yīng)用到圖像分割領(lǐng)域。典型的聚類方法有K均值法、ISODATA法、模糊C均值法等。ISODATA法有六個(gè)參數(shù)必須由用戶提供，較難實(shí)現(xiàn)，且不能做到自動(dòng)分割;模糊C均值法是對(duì)特征集的模糊劃分，這種方法主要用于三維圖像和醫(yī)療圖像的分割；而K均值法通過(guò)改進(jìn)可以做到一定程度的自動(dòng)分割，而且適合于分割普通圖像，在處理大量數(shù)據(jù)集方面也具有其它聚類算法無(wú)法比擬的優(yōu)勢(shì)，但是，K均值法的缺點(diǎn)在于需要具有聚類數(shù)目及聚類中心的先驗(yàn)知識(shí)，聚類結(jié)果往往及初始聚類個(gè)數(shù)和聚類中心的選定有關(guān)，聚類只考慮圖像點(diǎn)的特征相近性，未考慮點(diǎn)的位置鄰近性。因此該文采用了改進(jìn)的K均值算法來(lái)進(jìn)行圖像分割。改進(jìn)后的方法能克服以上缺陷，分割出有意義的區(qū)域。2.2顏色空間選取由于HSV顏色空間在視覺(jué)上比RGB顏色空間更均勻，即HSV的空間距離比RGB的空間距離更加符合人眼視覺(jué)特征，因此目前有許多圖像分割算法采用了HSV空間。但是，從RGB到HSV的轉(zhuǎn)換是個(gè)非線性變換，H和S都有不可避免的奇異點(diǎn)，即在轉(zhuǎn)換公式中出現(xiàn)分母為零的情況。在奇異點(diǎn)附近即使R、G、B的值有很小變化也引起變換值有很大的跳動(dòng)，這樣會(huì)產(chǎn)生不穩(wěn)定，因此不宜用于區(qū)域分割算法中。從這點(diǎn)說(shuō)，由R、G、B經(jīng)線性變換法得到的彩色坐標(biāo)系更為可取，替代非線性的色調(diào)和飽和度變換的方法是采用三濾波器值的線性變換。文章采用了YUV空間，YUV空間是由RGB空間經(jīng)過(guò)線性變換得到的。RGB空間到Y(jié)UV空間的轉(zhuǎn)換公式為：認(rèn)知科學(xué)表明，YUV是一種獨(dú)立于設(shè)備的彩色空間，它按照人類的感知程度以一致的尺度表示色彩差別，而且，該文經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，采用YUV空間產(chǎn)生的分割結(jié)果比HSV空間的分割結(jié)果更好。2.3圖像特征提取2.3.1顏色特征提取采用4*4的圖像塊為圖像分割的最小單位，因此，特征提取的最小單位也是4*4的圖像塊。對(duì)于小塊的顏色特征，直接采用小塊里的各個(gè)像素的Y、U、V的顏色均值。設(shè)小塊的16個(gè)點(diǎn)從上至下，從左至右標(biāo)號(hào)為1，2，3,4,5,6,7,8,9,10,11,12,13，14，15，16，該小塊的顏色特征（Y、U、V）計(jì)算公式為：Y=，U=，2.3.2紋理特征提取由于小波變換能提取圖像的高頻信息，因此，它非常適合于提取圖像的紋理特征。考慮到計(jì)算的簡(jiǎn)潔性和效率，該文選擇了哈爾小波。小波變換的對(duì)象是各個(gè)4*4的圖像塊。一次小波變換后，一個(gè)4*4的塊分解成四個(gè)頻帶，低頻帶LL及三個(gè)高頻帶HL、LH、HH，每個(gè)頻帶包含4個(gè)系數(shù)，見(jiàn)圖1。原始圖像LLHLLHHH(b)小波變換圖1小波變換示意圖提取三個(gè)高頻帶的小波能量作為紋理特征。以HL頻帶為例，假設(shè)其對(duì)應(yīng)的小波系數(shù)為{}該頻帶對(duì)應(yīng)的紋理特征量計(jì)算如下：(3)從HH和LH頻帶計(jì)算另兩個(gè)紋理特征量，計(jì)算公式類似式（3），即求該頻帶的小波系數(shù)的二階矩的均值。2.4綜合特征分割將顏色特征的三維向量和紋理特征的三維向量組合成一個(gè)六維向量，利用這種綜合特征向量來(lái)分割圖像，以達(dá)到預(yù)期的圖像分割效果。3.K均值算法3.1原始K均值算法K均值聚類法可以用來(lái)進(jìn)行綜合特征的分割，下面是原始均值算法的偽代碼。原始K均值算法的偽代碼如下：functionDirect-k-means()初始化K個(gè)模板（使{1,2，···，k}，{1,2，···，n}聚類Repeatfor每個(gè)輸入向量{1,2，···,n}do將（即符合{1,2，···，k}）for每個(gè)聚類{1,2，···，k}do按照目前中的所有樣本來(lái)更新模板：計(jì)算誤差函數(shù)：Until不改變或者聚類成員不再改變。從以上步驟可以看出，最終的聚類依賴于初始聚類中心及聚類數(shù)目K值的選擇。很多情況下要得到圖像的先驗(yàn)知識(shí)是不可能的，因此，K均值聚類算法中，類別數(shù)目的確定是個(gè)難點(diǎn)，數(shù)目過(guò)多會(huì)產(chǎn)生過(guò)分割（分割得過(guò)細(xì)），過(guò)少又會(huì)導(dǎo)致欠分割（有的區(qū)域未分割出來(lái)）。我們提出了一種改進(jìn)的K均值方法來(lái)分割圖像，使得這些參數(shù)可以通過(guò)圖像的統(tǒng)計(jì)信息確定相應(yīng)的初始值，而無(wú)需用戶進(jìn)行事先的指定，然后再根據(jù)K均值迭代對(duì)聚類個(gè)數(shù)和模板初值進(jìn)行不斷的調(diào)整，直到聚類個(gè)數(shù)和模板初值不再變化為止，而且，通過(guò)加入后處理，兼顧了聚類時(shí)點(diǎn)的位置連通關(guān)系。3.2K均值聚類分割算法3.2.1聚類將物理或抽象對(duì)象的集合分成由類似的對(duì)象組成的多個(gè)類的過(guò)程被稱為聚類。由聚類所生成的簇是一組數(shù)據(jù)對(duì)象的集合，這些對(duì)象及同一個(gè)簇中的對(duì)象彼此相似，及其他簇中的對(duì)象相異。聚類分析又稱群分析，它是研究（樣品或指標(biāo)）分類問(wèn)題的一種統(tǒng)計(jì)分析方法。聚類分析計(jì)算方法主要有如下幾種：劃分方法，層次方法，基于密度的方法，基于網(wǎng)格的方法，基于模型的方法。K-均值聚類算法是著名的劃分聚類分割方法。劃分方法的基本思想是：給定一個(gè)有N個(gè)元組或者紀(jì)錄的數(shù)據(jù)集，分裂法將構(gòu)造K個(gè)分組，每一個(gè)分組就代表一個(gè)聚類，K<N。而且這K個(gè)分組滿足下列條件：（1）每一個(gè)分組至少包含一個(gè)數(shù)據(jù)紀(jì)錄；（2）每一個(gè)數(shù)據(jù)紀(jì)錄屬于且僅屬于一個(gè)分組；對(duì)于給定的K，算法首先給出一個(gè)初始的分組方法，以后通過(guò)反復(fù)迭代的方法改變分組，使得每一次改進(jìn)之后的分組方案都較前一次好，而所謂好的標(biāo)準(zhǔn)就是：同一分組中的記錄越近越好，而不同分組中的紀(jì)錄越遠(yuǎn)越好。3.2.2K-均值聚類算法的工作原理：K-means算法的工作原理：算法首先隨機(jī)從數(shù)據(jù)集中選取K個(gè)點(diǎn)作為初始聚類中心，然后計(jì)算各個(gè)樣本到聚類中的距離，把樣本歸到離它最近的那個(gè)聚類中心所在的類。計(jì)算新形成的每一個(gè)聚類的數(shù)據(jù)對(duì)象的平均值來(lái)得到新的聚類中心，如果相鄰兩次的聚類中心沒(méi)有任何變化，說(shuō)明樣本調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù)已經(jīng)收斂。本算法的一個(gè)特點(diǎn)是在每次迭代中都要考察每個(gè)樣本的分類是否正確。若不正確，就要調(diào)整，在全部樣本調(diào)整完后，再修改聚類中心，進(jìn)入下一次迭代。這個(gè)過(guò)程將不斷重復(fù)直到滿足某個(gè)終止條件，終止條件可以是以下任何一個(gè)：（1）沒(méi)有對(duì)象被重新分配給不同的聚類。（2）聚類中心再發(fā)生變化。（3）誤差平方和局部最小。3.2.3K-means聚類算法的一般步驟：處理流程：（1）從n個(gè)數(shù)據(jù)對(duì)象任意選擇k個(gè)對(duì)象作為初始聚類中心；（2）循環(huán)（3）到（4）直到每個(gè)聚類不再發(fā)生變化為止；（3）根據(jù)每個(gè)聚類對(duì)象的均值（中心對(duì)象），計(jì)算每個(gè)對(duì)象及這些中心對(duì)象的距離；并根據(jù)最小距離重新對(duì)相應(yīng)對(duì)象進(jìn)行劃分；（4）重新計(jì)算每個(gè)（有變化）聚類的均值（中心對(duì)象），直到聚類中心不再變化。這種劃分使得下式最小3.2.4K-均值聚類法的缺點(diǎn)：缺點(diǎn):（1）在K-means算法中K是事先給定的，這個(gè)K值的選定是非常難以估計(jì)的。（2）在K-means算法中，首先需要根據(jù)初始聚類中心來(lái)確定一個(gè)初始劃分，然后對(duì)初始劃分進(jìn)行優(yōu)化。（3）K-means算法需要不斷地進(jìn)行樣本分類調(diào)整不斷地計(jì)算調(diào)整后的新的聚類中心因此當(dāng)數(shù)據(jù)量非常大時(shí)算法的時(shí)間開(kāi)銷是非常大的。（4）K-means算法對(duì)一些離散點(diǎn)和初始k值敏感，不同的距離初始值對(duì)同樣的數(shù)據(jù)樣本可能得到不同的結(jié)果。3.3．基于灰度空間的彩色圖像像素聚類1．讀取彩色圖像，將RGB值轉(zhuǎn)化為灰度值2.利用k均值聚類對(duì)像素的灰度值進(jìn)行劃分，提取特征點(diǎn)（本方法采用誤差平方和準(zhǔn)則函數(shù)判斷聚類是否合理）。3.利用matlab編程實(shí)現(xiàn)結(jié)果如下：隨即地取c1(1)=25;c2(1)=125;c3(1)=200;%選擇三個(gè)初始聚類中心圖1得到最終聚類中心的灰度值如下：R=109.5763G=158.0943B=212.8034隨機(jī)選取聚類中心的K-均值聚類結(jié)果：圖23.4改進(jìn)的k-均值聚類圖像分割算法4.1K-均值聚類算法中重要的一步是初始聚類中心的選取，一般是隨機(jī)選取待聚類樣本集的K個(gè)樣本，聚類的性能及初始聚類中心的選取有關(guān)，聚類的結(jié)果及樣本的位置有極大的相關(guān)性。一旦這K個(gè)樣本選取不合理，將會(huì)增加運(yùn)算的復(fù)雜程度，誤導(dǎo)聚類過(guò)程，得到不合理的聚類結(jié)果。通過(guò)粗糙集理論提供K-均值聚類所需要的初始類的個(gè)數(shù)和均值，提高了聚類的效率和分類的精度。于粗糙集理論的灰度空間劃分1.粗糙集的研究對(duì)象是由一個(gè)多值屬性集合描述的對(duì)象集合。主要思想是在保持分類能力不變的情況下，通過(guò)知識(shí)約簡(jiǎn)，導(dǎo)出問(wèn)題的決策和分類規(guī)則[4]。粗糙集理論能很好地近似分類。從圖像的直方圖可以看出圖形一般呈谷峰狀分布，同一區(qū)域內(nèi)像素的灰度值比較接近，而且不同區(qū)域內(nèi)像素?cái)?shù)大小不等。若灰度值相差不大的像素可歸為一類，則可將圖像分為幾類。為此，定義像素的灰度值差為條件屬性，等價(jià)關(guān)系R定義為：如果兩個(gè)像素灰度值差小于定間距D，則兩個(gè)像素是相關(guān)的，屬于等價(jià)類。首先確定間距D，通過(guò)原圖可求出灰度值分布范圍，根據(jù)灰度值范圍可求出灰度級(jí)數(shù)L。將灰度級(jí)范圍內(nèi)對(duì)應(yīng)像素個(gè)數(shù)最多的灰度值定義為中心點(diǎn)P。計(jì)算L個(gè)中心點(diǎn)之兩兩間距，若最小距離小于間距D，則將相應(yīng)中心點(diǎn)合并，并將兩點(diǎn)的算術(shù)平均值作為該中心點(diǎn)的值。重復(fù)進(jìn)行直到所有中心點(diǎn)的兩兩間距均大于間距D。中心點(diǎn)的個(gè)數(shù)和數(shù)值就是K_均值聚類所需要的初始類的個(gè)數(shù)和均值。2.像素的灰度值為，其中為第i次迭代后賦給類j的像素集合,為第j類的均值。具體步驟如下：①將粗糙集理論提供的L個(gè)中心點(diǎn)P作為初始類均值,,,。②在第次迭代時(shí)，考察每個(gè)像素，計(jì)算它及每個(gè)灰度級(jí)的均值之間的間距，即它及聚類中心的距離D，將每個(gè)像素賦均值距其最近的類，即(3.6)則。③對(duì)于,計(jì)算新的聚類中心，更新類均值:，式中，是中的像素個(gè)數(shù)。④將所有像素逐個(gè)考察，如果，有，則算法收斂，結(jié)束；否則返回②繼續(xù)下一次迭代。⑤以上聚類過(guò)程結(jié)束后，為了增強(qiáng)顯示效果，分割結(jié)果各像素以聚類中心灰度值作為該類最終灰度由原圖像的灰度直方圖，本文將定間距D設(shè)為32，灰度級(jí)L的個(gè)數(shù)為8。原灰度圖的灰度值范圍為[0，255]，被分成8個(gè)灰度級(jí)，七個(gè)灰度級(jí)對(duì)應(yīng)中心點(diǎn)P為{32，64，96，128，160，192，224，256}。計(jì)算這12個(gè)中心點(diǎn)之兩兩間距，若最小距離小于間距20，則將相應(yīng)中心點(diǎn)合并，并將兩點(diǎn)的算術(shù)平均值作為該中心點(diǎn)的值，處理后結(jié)果P{32,160，192}下面將c1(1)=32;c2(1)=160;c3(1)=192;作為初始聚類中心，編程進(jìn)行聚類分析。得到結(jié)果如下：圖3圖3及圖2相比分類結(jié)果更好，圖像分割效果更明顯，更能表現(xiàn)圖像特征。邊緣更加清晰，分割結(jié)果既突出了目標(biāo)，又保留了細(xì)節(jié)信息，達(dá)到了較好的分割效果。因此，基于粗糙集的K_均值聚類算法可以有效地對(duì)灰度圖像進(jìn)行分割，從分割后的圖像中可獲取更多的目標(biāo)信息，為進(jìn)一步的圖像分析和理解提供了良好的基礎(chǔ)。繼續(xù)對(duì)多幅圖像用上述兩種方法進(jìn)行K-均值聚類分割，得到如下對(duì)比圖像：圖4K-均值聚類得到的：圖5根據(jù)改進(jìn)的K-均值算法得到的：圖6原始圖像：圖7K-均值聚類得到的：圖8根據(jù)改進(jìn)的K-均值算法得到的：圖七3.5分割結(jié)果及分析原始的K均值分割方法容易產(chǎn)生過(guò)分割，應(yīng)該合并的區(qū)域沒(méi)有合并，導(dǎo)致這些區(qū)域不能組成獨(dú)立的物體而且原始K均值方法也容易產(chǎn)生欠分割，原因是采用的聚類沒(méi)有考慮各點(diǎn)的位置關(guān)系，會(huì)產(chǎn)生不相鄰的點(diǎn)被歸到一個(gè)區(qū)域，導(dǎo)致區(qū)域不連通，通常不連通的區(qū)域不能對(duì)應(yīng)一個(gè)獨(dú)立的物體，影響了后面的檢索。改進(jìn)后的K均值算法能分割出普通圖像的目標(biāo)區(qū)域，例如，由于有相似的紋理和顏色、花朵、花葉、黑馬、白馬、草原、大海、草坪、樹(shù)等獨(dú)立完整的有意義的區(qū)域可以被分割出來(lái)。試驗(yàn)表明，基于粗糙集理論和K-均值聚類算法的圖像分割方法，比隨機(jī)選取聚類的中心點(diǎn)和個(gè)數(shù)減少了運(yùn)算量，提高了分類精度和準(zhǔn)確性，而且對(duì)于低對(duì)比度、多層次變化背景的圖像的形狀特征提取具有輪廓清晰、算法運(yùn)行速度快等特點(diǎn)，是一種有效的灰度圖像分割算法。4.本文結(jié)論4.1存在的問(wèn)題以及對(duì)未來(lái)的展望雖然近年來(lái)研究成果越來(lái)越多,但由于圖像分割本身所具有的難度,使研究沒(méi)有大的突破性的進(jìn)展.仍然存在的問(wèn)題主要有兩個(gè):其一是沒(méi)有一種普遍使用的分割算法;其二是沒(méi)有一個(gè)好的通用的分割評(píng)價(jià)標(biāo)準(zhǔn).從圖像分割研究的歷史來(lái)看,可以看到對(duì)圖像分割的研究有幾個(gè)明顯的趨勢(shì):一是對(duì)原有算法的不斷改進(jìn);二是新方法、新概念的引入和多種方法的有效綜合運(yùn)用.人們逐漸認(rèn)識(shí)到現(xiàn)有的任何一種單獨(dú)的圖像分割算法都難以對(duì)一般圖像取得令人滿意的分割效果,因而很多人在把新方法和新概念不斷的引入圖像分割領(lǐng)域的同時(shí),也更加重視把各種方法綜合起來(lái)運(yùn)用.在新出現(xiàn)的分割方法中,基于小波變換的圖像分割方法就是一種很好的方法.三是交互式分割研究的深入.由于很多場(chǎng)合需要對(duì)目標(biāo)圖像進(jìn)行邊分割分析,例如對(duì)醫(yī)學(xué)圖像的分析,因此需要進(jìn)行交互式分割研究.事實(shí)證明,交互式分割技術(shù)有著廣泛的應(yīng)用.四是對(duì)特殊圖像分割的研究越來(lái)越得到重視.目前有很多針對(duì)立體圖像、彩色圖像、多光譜圖像以及多視場(chǎng)圖像分割的研究,也有對(duì)運(yùn)動(dòng)圖像及視頻圖像中目標(biāo)分割的研究,還有對(duì)深度圖像、紋理(Texture)圖像、計(jì)算機(jī)斷層掃描(CT)、磁共振圖像、共聚焦激光掃描顯微鏡圖像、合成孔雷達(dá)圖像等特殊圖像的分割技術(shù)的研究.五是對(duì)圖像分割評(píng)價(jià)的研究和對(duì)評(píng)價(jià)系數(shù)的研究越來(lái)越得到關(guān)注.相信隨著研究的不斷深入,存在的問(wèn)題會(huì)很快得到圓滿的解決.參考文獻(xiàn)1.樊昀，王潤(rùn)生，面向內(nèi)容檢索的彩色圖像分割[J],計(jì)算機(jī)研究及發(fā)展，2019；39（3）2.黃健元,模糊ISODATA聚類分析方法的改進(jìn)[J],南京航空航天大學(xué)學(xué)報(bào)，2000；32（2）3.耿伯英，楊靜宇,基于多分辨率分析及QFCM算法的圖像分割方法研究[J],計(jì)算機(jī)研究及發(fā)展，2000；37（8）4.張旭麗,兩種基于空間域聚類分析的彩色圖像分割方法比較[J],貴州工業(yè)大學(xué)學(xué)報(bào)（自然版），2019；30（2）5.曹莉華,用顏色特征進(jìn)行基于形狀的檢索[J],計(jì)算機(jī)工程及應(yīng)用，2019；,35(12）：22-246.葉樺，章國(guó)寶，陳維南,基于小波變換的紋理圖像分割[J],東南大學(xué)學(xué)報(bào)，2019；29（1）7.KAlsabti，SRanka，VSingh，AnEfficientK-MeansClusteringAlgorithm。http：//8.田玉敏，乃學(xué)尚，高有行等,基于整數(shù)小波系數(shù)的紋理圖像檢索方法研究[J]西安電子科技大學(xué)學(xué)報(bào)，2019；30（1）：90-939.曹莉華，柳偉，李國(guó)輝,基于多種主色調(diào)的圖像檢索算法研究及實(shí)現(xiàn)[J]計(jì)算機(jī)研究及發(fā)展，2019；36（1）：96-10010.開(kāi)顏,吳軍輝,徐立鴻.彩色圖像分割方法綜述[J].中國(guó)圖象圖形學(xué)報(bào),2019,10(1):1-10.11.滕升華.黑白影像的彩色化研究[D].北京:中國(guó)科學(xué)院電子學(xué)研究所,2019.12.章毓晉．圖像分割[M]．北京：科學(xué)出版社，200l13.蔡煦，朱波，曾廣周．一種彩色多級(jí)闖值的圖像分割方法及在形狀特征提取方面的應(yīng)用[J]．山東大學(xué)學(xué)報(bào)(工學(xué)版)，2019，32(4)：333～33614.吳國(guó)雄，陳武凡．圖像的模糊增強(qiáng)及聚類分割[J]．小型微型計(jì)算機(jī)系統(tǒng)，1994，15(11)：21～2615.童星.王命延一種基于粗糙集的圖像邊緣檢測(cè)方法[期刊論文]-計(jì)算機(jī)及現(xiàn)代化2009(10)16.黃長(zhǎng)專.王彪.楊忠圖像分割方法研究[期刊論文]-計(jì)算機(jī)技術(shù)及發(fā)展2009(6)17.周萍.改進(jìn)的圖像分割遺傳K均值聚類算法[J].海軍工程大學(xué)學(xué)報(bào),2009,6,21(3):75-78.18.張忠林,曹志宇,李元韜.基于加權(quán)歐式距離的Kmeans算法研究[J].鄭州大學(xué)學(xué)報(bào):工學(xué)版,2019,31(1):89-92.致謝時(shí)光如白駒過(guò)隙，轉(zhuǎn)瞬即釋。四年的大學(xué)生活臨近了尾聲。這短短四年的學(xué)習(xí)時(shí)間，使我終生受益并為將來(lái)的人生旅程準(zhǔn)備一些經(jīng)驗(yàn)和教訓(xùn)，是我的人生中彌足珍貴的四年。論文的順利完成，離不開(kāi)各位老師、同學(xué)和朋友的關(guān)心和幫助。在這里感謝我的導(dǎo)師：胡邵華老師。論文是在他的悉心指導(dǎo)下完成的。導(dǎo)師淵博的專業(yè)知識(shí)，嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，精益求精的工作作風(fēng)，誨人不倦的高尚師德，嚴(yán)以律己、寬以待人的崇高風(fēng)范，樸實(shí)無(wú)華、平易近人的人格魅力對(duì)我影響深遠(yuǎn)。不僅使我樹(shù)立了遠(yuǎn)大的學(xué)術(shù)目標(biāo)、掌握了基本的研究方法，還使我明白了許多待人接物及為人處世的道理。本論文從選題到完成，每一步都是在導(dǎo)師的指導(dǎo)下完成的，傾注了導(dǎo)師大量的心血。感謝我的同學(xué)朋友們，從遙遠(yuǎn)的家來(lái)到這個(gè)陌生的城市里，是他們和我共同維系著彼此之間深厚的感情，沒(méi)有他們的幫助和支持是沒(méi)有辦法完成我的學(xué)位論文的，同窗之間的友誼永遠(yuǎn)長(zhǎng)存。我們?cè)谝黄鸬娜兆?，我?huì)記一輩子的。感謝我的爸爸媽媽，焉得諼草，言樹(shù)之背，養(yǎng)育之恩，無(wú)以回報(bào)，你們永遠(yuǎn)健康快樂(lè)是我最大的心愿。在論文即將完成之際，我的心情無(wú)法平靜，從開(kāi)始進(jìn)入課題到論文的順利完成，有多少可敬的師長(zhǎng)、同學(xué)、朋友給了我無(wú)言的幫助，在這里請(qǐng)接受我誠(chéng)摯的謝意！在此表示深深的感謝。附一：K-均值聚類改進(jìn)前的matlab源程序[RGB,map]=imread('F:\a2.jpg');%讀入imshow(RGB);title('圖一原圖像')img=rgb2gray(RGB);[m,n]=size(img);figuresubplot(2,2,1),imshow(img);title('圖一原圖像的灰度圖像')subplot(2,2,2),imhist(img);title('圖二聚類前的灰度圖像直方圖')img=double(img);fori=1:m*nc1(1)=25;c2(1)=125;c3(1)=200;%選擇三個(gè)初始聚類中心r=abs(img-c1(i));g=abs(img-c2(i));b=abs(img-c3(i));%計(jì)算各像素灰度及聚類中心的距離r_g=r-g;g_b=g-b;r_b=r-b;n_r=find(r_g<=0&r_b<=0);%根據(jù)K的大小改變此處條件，尋找最小的聚類中心n_g=find(r_g>0&g_b<=0);%尋找中間的一個(gè)聚類中心n_b=find(g_b>0&r_b>0);%尋找最大的聚類中心i=i+1;%更新聚類中心c1(i)=sum(img(n_r))/length(n_r);%將所有低灰度求和取平均，作為下一個(gè)低灰度中心c2(i)=sum(img(n_g))/length(n_g);%將所有低灰度求和取平均，作為下一個(gè)中間灰度中心c3(i)=sum(img(n_b))/length(n_b);%將所有低灰度求和取平均，作為下一個(gè)高灰度中心d1(i)=abs(c1(i)-c1(i-1));%聚類中心收斂準(zhǔn)則d2(i)=abs(c2(i)-c2(i-1));d3(i)=abs(c3(i)-c3(i-1));if(d1(i)==0&&d2(i)==0&&d3(i)==0)R=c1(i);%最終的聚類中心G=c2(i);B=c3(i);k=i;break;endendRGBfori=1:200%判斷類別r=abs(img-R);g=abs(img-G);b=abs(img-B);%計(jì)算各像素灰度及聚類中心的距離r_g=r-g;g_b=g-b;r_b=r-b;n_r=find(r_g<=0&r_b<=0);n_g=find(r_g>0&g_b<=0);n_b=find(g_b>0&r_b>0);img=uint8(img);img(find(r_g<=0&r_b<=0))=uint8(R);img(find(r_g>0&g_b<=0))=uint8(G);img(find(g_b>0&r_b>0))=uint8(B);endsubplo