改进的模糊C均值聚类算法及其在图像分割中的应用

论文摘要

作为数字图像工程和机器视觉等相关领域的研究热点之一,图像分割已经成为从图像处理到图像分析和理解的一项关键技术,其分割的好坏将直接影响后续任务的完成。由于真实图像的复杂性和模糊性,基于模糊聚类方法的图像分割正在得到广泛的关注和应用。本文在查阅并分析了有关图像分割算法、均值漂移算法、模糊聚类算法等相关科技文献的基础上,对典型的图像分割方法和近几年来几类改进的模糊聚类图像分割方法进行了较深入的研究,重点对模糊C均值聚类(FCM)算法在分割噪声图像和含有颜色相近区域的图像时存在的不足,进行了深入的探讨。主要研究内容归纳如下:首先,在传统的FCM算法中引入了均值漂移算法,利用均值漂移算法可快速找到峰值点和在聚类过程中利用图像空间信息的优点,提出了一种改进的FCM算法——基于均值漂移的模糊C均值聚类算法,实验证明这一改进算法降低了噪声的影响。其次,尽管基于均值漂移的模糊C均值算法具有较强的抗噪能力,但是该算法是各向同性的,在分割含有细长区域和颜色相近的图像时,效果不太理想。为了保留更多的图像信息并进一步提高算法的抗噪能力,在该算法的基础上,本文又提出了另一种改进算法——基于各向异性均值漂移的模糊C均值聚类算法,该算法在迭代过程中根据样本点的信息实时更新核函数的带宽,从而得到较好的分割效果,而且具有很强的抗噪性,同时也提高了算法的收敛速率。最后,为了得到较优的图像分割效果,在进行图像分割之前,本文还使用了有效性函数来确定最佳聚类数目,从而降低了由于聚类数目的选取不当造成的误差。应用上述的改进算法进行了相关的仿真实验,其结果验证了所提方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1-1 研究背景
• §1-2 国内外研究现状
• §1-3 本文的主要研究工作
• 第二章 模糊聚类算法
• §2-1 模糊理论基础
• 2-1-1 模糊集合理论
• 2-1-2 模糊隶属度
• §2-2 模糊聚类分析
• 2-2-1 硬C均值聚类算法
• 2-2-2 模糊C均值聚类算法
• §2-3 常见的几种模糊聚类的改进方法
• 2-3-1 优选模糊加权指数m
• 2-3-2 确定聚类类别数目c
• 2-3-3 初始化聚类中心
• §2-4 本章小结
• 第三章 图像分割算法
• §3-1 阈值化分割法
• §3-2 边缘检测法
• §3-3 区域分割法
• §3-4 图像分割质量的评价方法
• §3-5 基于模糊聚类的图像分割算法的相关研究
• 3-5-1 引入核函数与空间领域信息
• 3-5-2 改变隶属度函数的约束条件
• §3-6 本章小结
• 第四章 改进的模糊C均值聚类算法
• §4-1 均值漂移算法
• 4-1-1 均值漂移算法
• 4-1-2 Mean Shift算法的应用
• §4-2 基于均值漂移的FCM聚类算法
• 4-2-1 基于均值漂移的模糊C均值聚类算法（MSFCM）
• 4-2-2 基于各向异性均值漂移的FCM聚类算法（AMSFCM）
• §4-3 本章小结
• 第五章 基于模糊C均值聚类算法的图像分割
• §5-1 确定聚类数目
• §5-2 基于FCM聚类算法的图像分割
• §5-3 基于改进的FCM聚类算法的图像分割
• 5-3-1 基于MSFCM聚类算法的图像分割
• 5-3-2 基于AMSFCM聚类算法的图像分割
• §5-4 实验结果与分析
• §5-5 结论
• 第六章 总结和展望
• §6-1 本文研究工作的总结
• §6-2 后续工作的展望
• 参考文献
• 致谢