一种新的图像分割算法 ——一种基于免疫遗传算法和粗糙集的改进图像分割算法

论文摘要

图像工程是近几年发展起来的一门学科,它的研究内容非常丰富,根据抽象程度和研究方法的不同可分为三个层次:图像处理、图像分析和图像理解。图像处理的目的之一是图像识别,而图像分割与测量是图像识别工作的基础。图像分割是将图像分成一些有意义的区域,然后对这些区域进行描述,相当于提取出某些目标区域图像的特征,判断图像中是否有感兴趣的目标。有学者提出了一种免疫网络算法在数据分析中的新设计思想,近来又有学者结合粗糙集提出了一种新的分割算法,该算法在人脑MRI图像分割实验中得到了很好的分割效果,但由于FCM算法本身的缺陷(对区域间的连通性不确定),在具体应用中总会出现一些问题。论文基于免疫遗传分类算法提出了一种通过无教师学习方法确定聚类数和聚类中心的免疫遗传聚类算法;接着,在一些学者研究工作的基础上,针对粗糙集中属性约简算法复杂度高的问题,提出了一种改进算法,降低了属性约简算法的复杂度;最后把无教师学习的免疫遗传算法和粗糙集结合得到了一种改进的分割算法,从而可以很好的避免前述算法需要事先设置聚类数和聚类中心、对区域的连通性不确定的缺陷,提高分割准确度,而且免疫遗传算法本身具有聚类速度快,精确度高的优点。经实验验证,提高了聚类的速度,对图像的分割更细致、更准确,提高了分割算法的效率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 图像分割的定义
• 1.3 目前使用的图像分割算法
• 1.3.1 边缘检测
• 1.3.2 区域的生长和分裂合并
• 1.3.3 阈值分割
• 1.3.4 其他分割方法
• 1.4 论文主要工作与论文结构
• 1.4.1 论文主要工作
• 1.4.2 论文的结构
• 第二章 免疫遗传算法概念和粗糙集基本理论
• 2.1 免疫遗传算法的概念及工作原理
• 2.1.1 免疫遗传算子及相关概念
• 2.1.2 突变规则
• 2.1.3 免疫算法描述
• 2.2 粗糙集的基本理论
• 2.2.1 粗糙集及其近似
• 2.2.2 协调近似空间
• 2.2.3 协调近似空间的信息刻画
• 2.3 小结
• 第三章 免疫网络算法和传统免疫遗传算法的改进聚类算法及应用
• 3.1 FCM 聚类算法及不足
• 3.2 免疫聚类算法
• 3.2.1 免疫网络算法原理
• 3.2.2 免疫网络算法的描述
• 3.2.3 传统免疫聚类算法的相关概念
• 3.2.4 传统免疫聚类算法的实现步骤
• 3.2.5 基于聚类数和聚类中心的传统免疫聚类算法的实现步骤
• 3.2.6 改进聚类算法的应用
• 3.3 实验及分析
• 3.3.1 实验一
• 3.4 小结
• 第四章 基于免疫遗传聚类和粗糙集的改进图像分割算法及应用
• 4.1 粗糙集及信息的属性约简和特征
• 4.1.1 不可分辨关系
• 4.1.2 信息系统
• 4.1.3 属性约简
• 4.1.4 属性特征
• 4.2 属性约简的改进算法
• 4.2.1 算法的基本思想
• 4.2.2 算法的实现步骤
• 4.2.3 算法的复杂度分析
• 4.3 实验及分析
• 4.3.1 实验二
• 4.4 分割算法
• 4.4.1 基于免疫遗传算法聚类设计的信息表构造和区域划分
• 4.4.2 基于值约简的属性权值和基本区域差异度计算
• 4.4.3 基于差异度的初始等价关系及相似域的划分
• 4.4.4 基于相似度的最终等价关系及分割
• 4.5 算法的各步骤简要阐述
• 4.5.1 基于聚类基础上的信息表构造和区分
• 4.5.2 值简越、属性权值、区域差异度计算
• 4.5.3 基于区域差异度的区域划分
• 4.5.4 基于相似度最终等价关系及分割
• 4.6 实验分析
• 4.6.1 实验三
• 4.6.2 实验四
• 4.7 小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文