基于模糊聚类分析的图像分割研究

论文摘要

图像分割是指把图像分解成各具特性的区域并提取出有用目标的技术,它是由图像处理到图像分析的一个关键步骤,已在诸如计算机视觉、图像编码、模式识别和医学图像分析等很多领域有着实际的应用。根据图像自身存在许多不确定性和不精确性,近年来一些学者将模糊聚类应用于图像分割中,效果要好于传统的图像分割方法。本文首先系统地介绍了模糊数学基本理论和方法,并且以数据集的划分引出了硬C均值算法和模糊C均值算法,接着针对模糊C均值聚类算法的不足之处进行了改进。然后阐述了图像分割的定义和现有的几类图像分割算法,将改进的模糊C均值聚类算法应用于图像分割。针对经典FCM算法的缺点,在两个方面进行了改进：一是通过对聚类对象的模糊隶属度加权,来减少样本矢量间对聚类效果的影响；二是通过改进模糊隶属度,克服了图像周围像素对聚类分类的干扰。论文把改进的FCM算法应用于图像分割。本文对基于邻域像素影响的FCM算法的图像分割进行了探讨,然后从模糊隶属度约束的角度出发,得到一种FCM图像分割算法。实验表明这种新的算法具有良好的图像分割效果。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
• 1.1 聚类分析简介
• 1.2 模糊聚类研究的意义
• 1.3 模糊聚类分析的研究现状
• 1.4 模糊聚类分析技术在图像分析中的应用
• 1.5 本文的主要工作
• 第2章 模糊数学基本理论
• 2.1 模糊集合理论基础
• 2.1.1 模糊集合
• 2.1.2 模糊性度量
• 2.2 模糊关系
• 2.2.1 模糊关系的定义和性质
• 2.2.2 模糊关系基本理论
• 第3章 图论在模糊聚类分析中的应用
• 3.1 模糊聚类分析方法
• 3.2 图论聚类方法
• 3.2.1 传统图论最小支撑树聚类方法
• 3.2.2 模糊最大支撑树法
• 第4章 基于目标函数的模糊聚类分析
• 4.1 模糊C均值聚类算法
• 4.1.1 数据集的C划分
• 4.1.2 硬C均值聚类算法
• 4.1.3 模糊C均值聚类算法
• 4.2 模糊C均值聚类算法存在的问题
• 4.3 加权FCM聚类算法
• 4.3.1 改进的FCM聚类算法
• 4.3.2 考虑邻域影响的FCM算法
• 4.3.3 改进的FCM聚类算法
• 第5章 基于模糊聚类的图像分割
• 5.1 图像分割理论
• 5.1.1 图像分割概述
• 5.1.2 图像分割算法
• 5.1.3 模糊聚类图像分割算法的研究现状
• 5.2 基于FCM算法的图像分割
• 5.2.1 FCM算法的图像分割
• 5.2.2 直方图加权的FCM图像分割算法
• 5.3 改进的FCM图像分割算法
• 5.3.1 考虑邻域影响的FCM图像分割算法
• 5.3.2 改进FCM图像分割算法
• 5.3.3 实验结果与分析
• 第6章 总结与展望
• 6.1 本文总结
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文