K均值算法圖像分割2

第頁畢業(yè)論文(設(shè)計)題目基于特征的圖像分割技術(shù)學生姓名萬亞堃 學號20191334044 學院電子及信息工程學院 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： 143.3．基于灰度空間的彩色圖像像素聚類 143.4改進的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存在的問題以及對未來的展望 19參考文獻 20致謝 22附一：K-均值聚類改進前的matlab源程序 23基于特征的圖像分割技術(shù)萬亞堃南京信息工程大學電子及信息工程學院，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關(guān)鍵技術(shù)，其分割的準確性直接影響后續(xù)任務(wù)的有效性，因此具有十分重要的意義?，F(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題還遠遠沒有解決，該方面的研究仍然面臨很多挑戰(zhàn)。本文采用改進的K均值算法進行圖像分割，在顏色空間選取上也采用比較好的RBG顏色空間，對圖像分別進行了顏色特征提取及紋理特征提取，最后進行了原始K均值算法及改進后的K均值算法分割圖形的比較，實驗結(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關(guān)鍵技術(shù)，它通常用于對圖像進行分析、識別、編碼等處理之前的預(yù)處理環(huán)節(jié)，其分割的準確性直接影響后續(xù)任務(wù)的有效性，因此具有十分重要的意義。自上世紀70年代以來，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、光學字符識別（OCR）、指紋識別、機動車牌號識別等等。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，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，仍有很多問題沒有很好地得到解決。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，以期實現(xiàn)更通用、更完美的分割結(jié)果。實踐表明，對圖像分割理論及技術(shù)的進一步研究仍然具有非常重要的意義。本文首先對數(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)有項目開發(fā)中使用的圖像分割方法所存在的問題，最后基于經(jīng)典算法進行技術(shù)改進，實現(xiàn)了一種新的分割方法，并將其應(yīng)用到實驗當中，取得了良好的效果。1.2圖像分割技術(shù)發(fā)展概況利用計算機進行圖像處理有兩個目的：一是產(chǎn)生出更適合人觀察和識別的圖像，二是希望能夠由計算機自動識別和理解圖像。無論為了哪種目的，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志的屬性。它可分為圖像統(tǒng)計特征和圖像的視覺特征兩類。圖像的視覺特征是一些人為特征，需通過變換才能得到，如圖像的直方圖。圖像的視覺特征指人的視覺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程就是圖像的分割，由此可以看出，圖像分割是實現(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題，幾乎自數(shù)字圖像處理問世不久，人們就開始了圖像分割技術(shù)的研究，并取得了相當?shù)倪M展和成功。但由于它的復(fù)雜性，有許多問題沒有很好地解決，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，以期實現(xiàn)更通用、更完美的分割結(jié)果。圖像分割是計算機圖像處理的一個基本問題，是許多后續(xù)圖像分析任務(wù)的第一步處理，特別是對于圖像識別、圖像的可視化和基于目標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到圖像分析的關(guān)鍵步驟，也是一種基本的計算機視覺技術(shù)，這是因為圖像的分割、目標的分離、特征的提取和參數(shù)的測量將原始的圖像轉(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，分割問題包括將給定圖像中相似的塊分割成一個區(qū)，相鄰的分割結(jié)果是不相似的。從另一個角度說，分割也可以被認為是像素的標記處理，屬于同一區(qū)域的像素被標上相同的號。一直以來，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瓶頸。實際上，圖像分割就是把圖像中的目標分成許多感興趣的區(qū)域及圖像中各種物體目標相對應(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，還沒有一種圖像分割方法適用于所有的圖像。圖像分割的實質(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，也是最簡單的一種圖像分割方法，這種方法的關(guān)鍵在于尋找適當?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，而且對整幅圖像使用一個固定全局閾值，如果圖像中有陰影或光照不均等，分割效果會受到影響。為此，提出了用二維直方圖或者動態(tài)閾值等技術(shù)進行分割，但同時計算復(fù)雜度會增加。閾值分割技術(shù)它僅適用于高反差的簡單圖像的分割，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)通過對目標像素的直接檢測來實現(xiàn)分割。區(qū)域生長法是一種常用的區(qū)域技術(shù)。區(qū)域增長是：先從每個需要分割的目標中找一個種子像素作為生長的起點，然后將其周圍的像素按照某種相似性標準(如灰度相似性)及之對比，如果滿足標準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)向外擴展，直到找不到滿足條件的像素為止。這種方法能夠同時利用圖像的多種性質(zhì)進行分割，但是由于它采用串行機制，計算時間較長，實時性較差。邊緣檢測技術(shù)圖像分割能夠通過檢測不同區(qū)域的邊緣來獲得。在目標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，能夠檢測出圖像中具有邊緣特性的像素點。在此基礎(chǔ)上，采用邊界閉合技術(shù)把邊緣像素連接起來組成目標區(qū)域的封閉邊界，從而達到分割的目的。但邊界檢測是一項困難的工作，因為通常圖像的邊界都很難找到。隨著數(shù)學工具，成像設(shè)備和計算機技術(shù)的發(fā)展，圖像分割方法呈現(xiàn)出新的特點和趨勢：（1）多種新興數(shù)學工具的加入，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，擴展適用范圍以及提高運算速度等作用。（2）成像設(shè)備和技術(shù)的發(fā)展使得應(yīng)用對象的范圍大大擴展?，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，不僅僅局限于常見的兩維靜止灰度圖像，還有各種3維圖像，彩色圖像，運動圖像等等。這些發(fā)展對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。圖像分割是一個復(fù)雜的過程，需要融合多種方法的優(yōu)勢進行。1.3圖像分割方法的現(xiàn)狀從上世紀五十年代開始，學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，依這些算法對圖像處理的特點，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的區(qū)域并行技術(shù)，它通過設(shè)置閥值，把像素點按灰度級分若干類，從而實現(xiàn)圖像分割。由于是直接利用圖像的灰度特性，因此計算方便簡明、實用性強。顯然，閾值分割方法的關(guān)鍵和難點是如何取得一個合適的閾值，而實際應(yīng)用中閾值設(shè)定易受噪聲和光亮度影響。近年來關(guān)于閾值分割法主要有：最大相關(guān)性原則選擇閾值法、基于圖像拓撲穩(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、類間閾值法是對傳統(tǒng)閾值法改進較成功的幾種算法。更多的情況下，閾值的選擇會綜合運用兩種或兩種以上的方法，這也是圖像分割發(fā)展的一個趨勢。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，較好地擬合了直方圖的多峰特性，從而得到了更為準確的分割效果。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。對于非此即彼的簡單圖像處理（如一些二值圖像的處理）是有效的，但是對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題則難以得到準確的分割效果。（2）基于邊緣的圖像分割法邊緣總是以強度突變的形式出現(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區(qū)域的終結(jié)和另一個區(qū)域的開始，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大幅度地減少了要處理的信息量，還保護了目標的邊界結(jié)構(gòu)。對于邊緣的檢測常常借助空間微分算子進行，通過將其模板及圖像卷積完成。兩個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)檢測到。當今的局部技術(shù)邊緣檢測方法中，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。這些邊緣檢測器對邊緣灰度值過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)的邊緣檢測方法效果明顯降低，在噪聲較大的情況下所用的邊緣檢測算子通常都是先對圖像進行適當?shù)钠交?，抑制噪聲，然后求?dǎo)數(shù),或者對圖像進行局部擬合，然后再用擬合光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù)，如Marr算子、Canny算子等。有關(guān)學者曾給出了一種基于彩色邊緣的圖像分割方法，這是對傳統(tǒng)邊緣分割方法只適用于灰度圖像狀況的一個突破。在未來的研究中，用于提取初始邊緣點的自適應(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。此方法的實質(zhì)是將圖像分割問題轉(zhuǎn)化為模式識別的聚類分析，如k均值、參數(shù)密度估計、非參數(shù)密度估計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是色差，在標準CIE勻色空間中，色差是用兩個顏色的距離來表示的。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)的真實三原色不同，為簡單起見，一般采用RGB色空間中的距離來表示?；叶染垲惙指罹褪侵话褕D像分成目標和背景兩類，而且僅考慮像素的灰度，這就是一個在一維空間中把數(shù)據(jù)分成兩類的問題。通過在灰度空間完成聚類，得到兩個聚類中心（用灰度值表征），聚類中心連線的中點便是閾值。顯然這個概念也可以輕松地延擴至多閾值和動態(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，比如說把圖像信號通過一個帶通濾波器，濾波的結(jié)果將使圖像的局部信息更好地被表達。通過一個多尺度分解，輪廓信息可以在大尺度圖像上保留下來，細節(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目標函數(shù)，通過該目標函數(shù)的極大化或極小化來分割圖像，G.A.Hewer等人提出了一個具有廣泛意義的目標函數(shù)。統(tǒng)計學分割法、結(jié)合區(qū)域及邊緣信息法、最小描述長度（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)計學分割法就是把圖像中各個像素點的灰度值看作是具有一定概率分布的隨機變量，且觀察到的實際物體是作了某種變換并加入噪聲的結(jié)果。統(tǒng)計學分割方法包括基于馬爾科夫隨機場法(MRF)、標號法(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)域增長有兩種方式：一種是先將圖像分割成很多一致性較強的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達到分割圖像的目的；另一種是事先給定圖像中要分割目標的一個種子區(qū)域，再在種子區(qū)域基礎(chǔ)上將周圍的像素點以一定的規(guī)則加入其中，最終達到目標及背景分離的目的。分裂合并法對圖像的分割是按區(qū)域生長法沿相反方向進行的，無需設(shè)置種子點，其基本思想是給定相似測度和同質(zhì)測度，從整幅圖像開始，如果區(qū)域不滿足同質(zhì)測度，則分裂成任意大小的不重疊子區(qū)域；如果兩個鄰域的子區(qū)域滿足相似測度則合并。最小長度描述法（MDL）的基本思路是用一種計算機語言來描述圖像的區(qū)域和邊界信息，得到一個描述長度函數(shù)，以此作為目標函數(shù)，根據(jù)圖像極小化描述長度從而得到分割結(jié)果。MDL準則主要應(yīng)用于區(qū)域競爭中，即通過這種規(guī)則對比若干個種子區(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)容本文通過大量閱讀圖像分割技術(shù)方面的文獻，認真研究K均值算法，并對其中的一些算法提出了改進優(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理特征提取）--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--圖像特征的提取（分別進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，然后再使用改進后的K均值算法，對兩者進行比較，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（對原始K均值算法及改進后的K均值算法所分割出來的圖像進行對比，發(fā)現(xiàn)區(qū)別得出結(jié)論）。（3）第三章：存在的問題以及對未來的展望。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，很容易對高紋理區(qū)域產(chǎn)生過分割，而一些僅用紋理分割的算法又沒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行的分割，還是只是用紋理特征進行的分割在對圖像進行分割的時候都會產(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較少。針對這個問題，該文提出了一種利用圖像的顏色和紋理綜合特征進行分割的方法。圖像分割方法有很多種，其中，聚類法是一個較簡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法有六個參數(shù)必須由用戶提供，較難實現(xiàn)，且不能做到自動分割;模糊C均值法是對特征集的模糊劃分，這種方法主要用于三維圖像和醫(yī)療圖像的分割；而K均值法通過改進可以做到一定程度的自動分割，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法比擬的優(yōu)勢，但是，K均值法的缺點在于需要具有聚類數(shù)目及聚類中心的先驗知識，聚類結(jié)果往往及初始聚類個數(shù)和聚類中心的選定有關(guān)，聚類只考慮圖像點的特征相近性，未考慮點的位置鄰近性。因此該文采用了改進的K均值算法來進行圖像分割。改進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)換是個非線性變換，H和S都有不可避免的奇異點，即在轉(zhuǎn)換公式中出現(xiàn)分母為零的情況。在奇異點附近即使R、G、B的值有很小變化也引起變換值有很大的跳動，這樣會產(chǎn)生不穩(wěn)定，因此不宜用于區(qū)域分割算法中。從這點說，由R、G、B經(jīng)線性變換法得到的彩色坐標系更為可取，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)過線性變換得到的。RGB空間到Y(jié)UV空間的轉(zhuǎn)換公式為：認知科學表明，YUV是一種獨立于設(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)過實驗發(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。對于小塊的顏色特征，直接采用小塊里的各個像素的Y、U、V的顏色均值。設(shè)小塊的16個點從上至下，從左至右標號為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?？紤]到計算的簡潔性和效率，該文選擇了哈爾小波。小波變換的對象是各個4*4的圖像塊。一次小波變換后，一個4*4的塊分解成四個頻帶，低頻帶LL及三個高頻帶HL、LH、HH，每個頻帶包含4個系數(shù)，見圖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)其對應(yīng)的小波系數(shù)為{}該頻帶對應(yīng)的紋理特征量計算如下：(3)從HH和LH頻帶計算另兩個紋理特征量，計算公式類似式（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六維向量，利用這種綜合特征向量來分割圖像，以達到預(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進行綜合特征的分割，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個模板（使{1,2，···，k}，{1,2，···，n}聚類Repeatfor每個輸入向量{1,2，···,n}do將（即符合{1,2，···，k}）for每個聚類{1,2，···，k}do按照目前中的所有樣本來更新模板：計算誤差函數(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知識是不可能的，因此，K均值聚類算法中，類別數(shù)目的確定是個難點，數(shù)目過多會產(chǎn)生過分割（分割得過細），過少又會導(dǎo)致欠分割（有的區(qū)域未分割出來）。我們提出了一種改進的K均值方法來分割圖像，使得這些參數(shù)可以通過圖像的統(tǒng)計信息確定相應(yīng)的初始值，而無需用戶進行事先的指定，然后再根據(jù)K均值迭代對聚類個數(shù)和模板初值進行不斷的調(diào)整，直到聚類個數(shù)和模板初值不再變化為止，而且，通過加入后處理，兼顧了聚類時點的位置連通關(guān)系。3.2K均值聚類分割算法3.2.1聚類將物理或抽象對象的集合分成由類似的對象組成的多個類的過程被稱為聚類。由聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象及同一個簇中的對象彼此相似，及其他簇中的對象相異。聚類分析又稱群分析，它是研究（樣品或指標）分類問題的一種統(tǒng)計分析方法。聚類分析計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：給定一個有N個元組或者紀錄的數(shù)據(jù)集，分裂法將構(gòu)造K個分組，每一個分組就代表一個聚類，K<N。而且這K個分組滿足下列條件：（1）每一個分組至少包含一個數(shù)據(jù)紀錄；（2）每一個數(shù)據(jù)紀錄屬于且僅屬于一個分組；對于給定的K，算法首先給出一個初始的分組方法，以后通過反復(fù)迭代的方法改變分組，使得每一次改進之后的分組方案都較前一次好，而所謂好的標準就是：同一分組中的記錄越近越好，而不同分組中的紀錄越遠越好。3.2.2K-均值聚類算法的工作原理：K-means算法的工作原理：算法首先隨機從數(shù)據(jù)集中選取K個點作為初始聚類中心，然后計算各個樣本到聚類中的距離，把樣本歸到離它最近的那個聚類中心所在的類。計算新形成的每一個聚類的數(shù)據(jù)對象的平均值來得到新的聚類中心，如果相鄰兩次的聚類中心沒有任何變化，說明樣本調(diào)整結(jié)束，聚類準則函數(shù)已經(jīng)收斂。本算法的一個特點是在每次迭代中都要考察每個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，進入下一次迭代。這個過程將不斷重復(fù)直到滿足某個終止條件，終止條件可以是以下任何一個：（1）沒有對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個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心；（2）循環(huán)（3）到（4）直到每個聚類不再發(fā)生變化為止；（3）根據(jù)每個聚類對象的均值（中心對象），計算每個對象及這些中心對象的距離；并根據(jù)最小距離重新對相應(yīng)對象進行劃分；（4）重新計算每個（有變化）聚類的均值（中心對象），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：缺點:（1）在K-means算法中K是事先給定的，這個K值的選定是非常難以估計的。（2）在K-means算法中，首先需要根據(jù)初始聚類中心來確定一個初始劃分，然后對初始劃分進行優(yōu)化。（3）K-means算法需要不斷地進行樣本分類調(diào)整不斷地計算調(diào)整后的新的聚類中心因此當數(shù)據(jù)量非常大時算法的時間開銷是非常大的。（4）K-means算法對一些離散點和初始k值敏感，不同的距離初始值對同樣的數(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均值聚類對像素的灰度值進行劃分，提取特征點（本方法采用誤差平方和準則函數(shù)判斷聚類是否合理）。3.利用matlab編程實現(xiàn)結(jié)果如下：隨即地取c1(1)=25;c2(1)=125;c3(1)=200;%選擇三個初始聚類中心圖1得到最終聚類中心的灰度值如下：R=109.5763G=158.0943B=212.8034隨機選取聚類中心的K-均值聚類結(jié)果：圖23.4改進的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，一般是隨機選取待聚類樣本集的K個樣本，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個樣本選取不合理，將會增加運算的復(fù)雜程度，誤導(dǎo)聚類過程，得到不合理的聚類結(jié)果。通過粗糙集理論提供K-均值聚類所需要的初始類的個數(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.粗糙集的研究對象是由一個多值屬性集合描述的對象集合。主要思想是在保持分類能力不變的情況下，通過知識約簡，導(dǎo)出問題的決策和分類規(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)像素數(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，等價關(guān)系R定義為：如果兩個像素灰度值差小于定間距D，則兩個像素是相關(guān)的，屬于等價類。首先確定間距D，通過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數(shù)L。將灰度級范圍內(nèi)對應(yīng)像素個數(shù)最多的灰度值定義為中心點P。計算L個中心點之兩兩間距，若最小距離小于間距D，則將相應(yīng)中心點合并，并將兩點的算術(shù)平均值作為該中心點的值。重復(fù)進行直到所有中心點的兩兩間距均大于間距D。中心點的個數(shù)和數(shù)值就是K_均值聚類所需要的初始類的個數(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個中心點P作為初始類均值,,,。②在第次迭代時，考察每個像素，計算它及每個灰度級的均值之間的間距，即它及聚類中心的距離D，將每個像素賦均值距其最近的類，即(3.6)則。③對于,計算新的聚類中心，更新類均值:，式中，是中的像素個數(shù)。④將所有像素逐個考察，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以上聚類過程結(jié)束后，為了增強顯示效果，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L的個數(shù)為8。原灰度圖的灰度值范圍為[0，255]，被分成8個灰度級，七個灰度級對應(yīng)中心點P為{32，64，96，128，160，192，224，256}。計算這12個中心點之兩兩間距，若最小距離小于間距20，則將相應(yīng)中心點合并，并將兩點的算術(shù)平均值作為該中心點的值，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，又保留了細節(jié)信息，達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灰度圖像進行分割，從分割后的圖像中可獲取更多的目標信息，為進一步的圖像分析和理解提供了良好的基礎(chǔ)。繼續(xù)對多幅圖像用上述兩種方法進行K-均值聚類分割，得到如下對比圖像：圖4K-均值聚類得到的：圖5根據(jù)改進的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)生過分割，應(yīng)該合并的區(qū)域沒有合并，導(dǎo)致這些區(qū)域不能組成獨立的物體而且原始K均值方法也容易產(chǎn)生欠分割，原因是采用的聚類沒有考慮各點的位置關(guān)系，會產(chǎn)生不相鄰的點被歸到一個區(qū)域，導(dǎo)致區(qū)域不連通，通常不連通的區(qū)域不能對應(yīng)一個獨立的物體，影響了后面的檢索。改進后的K均值算法能分割出普通圖像的目標區(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、樹等獨立完整的有意義的區(qū)域可以被分割出來。試驗表明，基于粗糙集理論和K-均值聚類算法的圖像分割方法，比隨機選取聚類的中心點和個數(shù)減少了運算量，提高了分類精度和準確性，而且對于低對比度、多層次變化背景的圖像的形狀特征提取具有輪廓清晰、算法運行速度快等特點，是一種有效的灰度圖像分割算法。4.本文結(jié)論4.1存在的問題以及對未來的展望雖然近年來研究成果越來越多,但由于圖像分割本身所具有的難度,使研究沒有大的突破性的進展.仍然存在的問題主要有兩個:其一是沒有一種普遍使用的分割算法;其二是沒有一個好的通用的分割評價標準.從圖像分割研究的歷史來看,可以看到對圖像分割的研究有幾個明顯的趨勢:一是對原有算法的不斷改進;二是新方法、新概念的引入和多種方法的有效綜合運用.人們逐漸認識到現(xiàn)有的任何一種單獨的圖像分割算法都難以對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,也更加重視把各種方法綜合起來運用.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.由于很多場合需要對目標圖像進行邊分割分析,例如對醫(yī)學圖像的分析,因此需要進行交互式分割研究.事實證明,交互式分割技術(shù)有著廣泛的應(yīng)用.四是對特殊圖像分割的研究越來越得到重視.目前有很多針對立體圖像、彩色圖像、多光譜圖像以及多視場圖像分割的研究,也有對運動圖像及視頻圖像中目標分割的研究,還有對深度圖像、紋理(Texture)圖像、計算機斷層掃描(CT)、磁共振圖像、共聚焦激光掃描顯微鏡圖像、合成孔雷達圖像等特殊圖像的分割技術(shù)的研究.五是對圖像分割評價的研究和對評價系數(shù)的研究越來越得到關(guān)注.相信隨著研究的不斷深入,存在的問題會很快得到圓滿的解決.參考文獻1.樊昀，王潤生，面向內(nèi)容檢索的彩色圖像分割[J],計算機研究及發(fā)展，2019；39（3）2.黃健元,模糊ISODATA聚類分析方法的改進[J],南京航空航天大學學報，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],計算機研究及發(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)大學學報（自然版），2019；30（2）5.曹莉華,用顏色特征進行基于形狀的檢索[J],計算機工程及應(yīng)用，2019；,35(12）：22-246.葉樺，章國寶，陳維南,基于小波變換的紋理圖像分割[J],東南大學學報，2019；29（1）7.KAlsabti，SRanka，VSingh，AnEfficientK-MeansClusteringAlgorithm。http：//8.田玉敏，乃學尚，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]西安電子科技大學學報，2019；30（1）：90-939.曹莉華，柳偉，李國輝,基于多種主色調(diào)的圖像檢索算法研究及實現(xiàn)[J]計算機研究及發(fā)展，2019；36（1）：96-10010.開顏,吳軍輝,徐立鴻.彩色圖像分割方法綜述[J].中國圖象圖形學報,2019,10(1):1-10.11.滕升華.黑白影像的彩色化研究[D].北京:中國科學院電子學研究所,2019.12.章毓晉．圖像分割[M]．北京：科學出版社，200l13.蔡煦，朱波，曾廣周．一種彩色多級闖值的圖像分割方法及在形狀特征提取方面的應(yīng)用[J]．山東大學學報(工學版)，2019，32(4)：333～33614.吳國雄，陳武凡．圖像的模糊增強及聚類分割[J]．小型微型計算機系統(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方法[期刊論文]-計算機及現(xiàn)代化2009(10)16.黃長專.王彪.楊忠圖像分割方法研究[期刊論文]-計算機技術(shù)及發(fā)展2009(6)17.周萍.改進的圖像分割遺傳K均值聚類算法[J].海軍工程大學學報,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].鄭州大學學報:工學版,2019,31(1):89-92.致謝時光如白駒過隙，轉(zhuǎn)瞬即釋。四年的大學生活臨近了尾聲。這短短四年的學習時間，使我終生受益并為將來的人生旅程準備一些經(jīng)驗和教訓，是我的人生中彌足珍貴的四年。論文的順利完成，離不開各位老師、同學和朋友的關(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，嚴謹?shù)闹螌W態(tài)度，精益求精的工作作風，誨人不倦的高尚師德，嚴以律己、寬以待人的崇高風范，樸實無華、平易近人的人格魅力對我影響深遠。不僅使我樹立了遠大的學術(shù)目標、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。感謝我的同學朋友們，從遙遠的家來到這個陌生的城市里，是他們和我共同維系著彼此之間深厚的感情，沒有他們的幫助和支持是沒有辦法完成我的學位論文的，同窗之間的友誼永遠長存。我們在一起的日子，我會記一輩子的。感謝我的爸爸媽媽，焉得諼草，言樹之背，養(yǎng)育之恩，無以回報，你們永遠健康快樂是我最大的心愿。在論文即將完成之際，我的心情無法平靜，從開始進入課題到論文的順利完成，有多少可敬的師長、同學、朋友給了我無言的幫助，在這里請接受我誠摯的謝意！在此表示深深的感謝。附一：K-均值聚類改進前的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;%選擇三個初始聚類中心r=abs(img-c1(i));g=abs(img-c2(i));b=abs(img-c3(i));%計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，作為下一個高灰度中心d1(i)=abs(c1(i)-c1(i-1));%聚類中心收斂準則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