K均值基于聚类的图像分割算法(3)

菜单

非平凡图像的分割是图像处理中最复杂的工作之一。分割的准确性决定了最终计算机处理工序的成败。因此，我们要想尽办法提高得到正确分割的可能性。在某些情况下，例如在自主监督的应用中，控制一些环境的特征量的方法至少是可能的。有经验的图像处理系统设计人员一直把大量注意力放在这些可能性上。在另外一些应用中，例如自主的目标获取，系统设计人员无法控制运行的环境，并且通常的途径是集中注意力选择最有可能增强对象而削弱背景的传感器类型。一个很好的例子是军事中应用红外成像来发现目标，例如行进中的军队。

1．4 图像分割基础论文网

R代表图像所占的整个空间的区域。我们可以吧图像分割看作一个把R分成n个子区域的过程，例如R1 ,R2 ,…,Rn,使得

这里，是一个定义在集合中的点上的逻辑谓语，表示空集。符号和分别表示并和交。两个集合和的并集是一个连接的集合的时候，我们说这两个集合相邻。

条件(a)表明分割必须是完整的；换句话说，每个像素必须在一个区域中。条件(b)要求区域中的点必须是在某个预定义的连通规则上连通（例如4连通和8连通）。条件(c)表明任意两个集合不能有交集。条件(d)决定了点属于某个区域其属性需要满足的条件。

由是，我们看到分割的基础性问题是把图像分割成满足处理条件的区域。黑白图像的分割算法大体是基于两种处理强度值属性的基础范畴的：间断性和相似性。

1．5 聚类分割算法

数字图像中的像素点的灰度值具有两个特性，第一个是不连续性，第二个是相似性。不连续性指的是不同区域中像素点的灰度值不同，而相似性说的是同一区域中的像素具有相似的灰度值。利用这个特性，我们可以根据灰度值对图像分割进行分割。而基于区域的图像分割算法有很多类型。

在有限的集群中间数据聚类的能力是人类智能的根本特征。与其他聚类中的相似性相比，在聚类中的元素或模式之间有更多的相似性。因此在聚类问题中，我们有模式集，它们是对聚类进行集中分割，与其他聚类或分割相比，在聚类之内的模式彼此之间具有更多的相似性。因此聚类分析的中心对象是相似性概念。有几种聚类方法，我们可以将这些方法分成如下3类：

 分层聚类法

 K均值聚类法（K均值聚类）

 图论聚类法

在分层聚类算法中，以分层的方式将数据集分割成一些聚类。分层聚类法又可以进一步细分成如下两类。

 凝聚聚类(agglomerative clustering)：在凝聚聚类中，我们以单聚类集开始，根据某一相似性标准，逐步进行合并，最终将得到适当的聚类集。

 分裂聚类(pisive clustering)：在分裂聚类中，先把整个初始图像看作是一个完整的分类，然后对这个分类进行递归的子分类，知道满足分类要求为止。

分层聚类的逻辑结构是树形的，而以上两种分层聚类方法正好是从两个相反的方向向结果靠拢。凝聚分类的树形结构从上到下是一种从叶子开始的，而分裂聚类是从根开始的。

1．6 本文内容安排

本文主要论证了聚类算法用于图像分割的可行性以及有效性,为此，我们先在第2章介绍一下静态K均值聚类分割算法，也就是相对比较原始的聚类分割算法。在聚类算法中，初始样本点的选取对分割结果的影响比较大，因此，在第2章中，本文进一步论证了基于滤波后直方图的初始样本生成方法对改善算法性能的有效性。其中第1节分析了直方图未均衡化之前进行采样的效果；第2节分析了直方图滤波后进行采样的效果，然后再对算法运行的情况进行图表对比分析。进一步地，本文又在第3节中继续研究了以空间与灰度值的函数为分类矩心的K均值聚类分割算法，并且给出了几个效果比较理想的矩心的关于空间以及灰度值的函数关系。