《模式识别课程设计》由会员分享，可在线阅读，更多相关《模式识别课程设计（9页珍藏版）》请在金锄头文库上搜索。
1、模式识别课程设计 聚类图像分割 一图像分割概述图像分割是一种重要的图像分析技术。在对图像的研究和应用中， 人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标或前景 （其他部分称为背景）。它们一般对应图像中特定的、具有独特性质 的区域。为了辨识和分析图像中的目标，需要将它们从图像中分离提 取出来，在此基础上才有可能进一步对目标进行测量，对图像进行利 用。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的 技术和过程。现有的图像分割方法主要分以下几类：基于阈值的分割 方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论 的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把
2、 其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割 方法。 图象分割是图象处理、模式识别和人工智能等多个领域中一个十分重 要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步 骤。图象分割应用在许多方面，例如在汽车车型自动识别系统中，从 CCD 摄像头获取的图象中除了汽车之外还有许多其他的物体和背 景，为了进一步提取汽车特征，辨识车型，图象分割是必须的。因此 其应用从小到检查癌细胞、精密零件表面缺陷检测，大到处理卫星拍 摄的地形地貌照片等。在所有这些应用领域中，最终结果很大程度上 依赖于图象分割的结果。因此为了对物体进行特征的提取和识别，首 先需要把待处理的物体(目标)从背
3、景中划分出来，即图象分割。但是， 在一些复杂的问题中，例如金属材料内部结构特征的分割和识别，虽 然图象分割方法已有上百种，但是现有的分割技术都不能得到令人满 意的结果，原因在于计算机图象处理技术是对人类视觉的模拟，而人 类的视觉系统是一种神奇的、高度自动化的生物图象处理系统。目前， 人类对于视觉系统生物物理过程的认识还很肤浅，计算机图象处理系 统要完全实现人类视觉系统，形成计算机视觉，还有一个很长的过程。 因此从原理、应用和应用效果的评估上深入研究图象分割技术，对于 提高计算机的视觉能力和理解人类的视觉系统都具有十分重要的意 义。二常用的图像分割方法1. 基于阈值的分割方法 包括全局阈值、自适
4、应阈值、最佳阈值等等。阈值分割算法的关键是 确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。 阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并 行地进行，分割的结果直接给出图像区域。全局阈值是指整幅图像使 用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它 是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰 度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选 取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差 法、最大熵自动阈值法以及其它一些方法。2基于边缘的分割方法 检测灰度级或者结构具有突变的地方，表明一个区域的终结，也
5、是另 一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同， 边界处一般有明显的边缘，利用此特征可以分割图像。 图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检 测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导 数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一 阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算 子有 Laplace 算子和 Kirsh 算子等。在实际中各种微分算子常用小区 域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对 噪声敏感，只适合于噪声较小不太复杂的图像。 由于边缘和噪声都是灰度不连
6、续点，在频域均为高频分量，直接采用 微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像 进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一 阶微分算子，边缘检测效果较好，如图4所示。其中loG算子是采用 Laplacian算子求高斯函数的二阶导数,Canny算子是高斯函数的一阶 导数，它在噪声抑制和边缘检测之间取得了较好的平衡。 3基于聚类分析的图像分割方法特征空间聚类法进行图像分割是将图像空间中的像素用对应的 特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割， 然后将它们映射回原图像空间，得到分割结果。其中， K 均值、模糊 C均值聚类(FCM)算法是最常用
7、的聚类算法。K均值算法先选K个初 始类均值，然后将每个像素归入均值离它最近的类并计算新的类均 值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。模糊c 均值算法是在模糊数学基础上对 K 均值算法的推广，是通过最优化 一个模糊目标函数实现聚类，它不像 K 均值聚类那样认为每个点只 能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好 地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利 用模糊C均值(FCM)非监督模糊聚类标定的特点进行图像分割，可以 减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。三.K均值聚类分割算法概述1. K -均值聚类算法的工作原理：K-m
8、eans算法的工作原理:算法首先随机从数据集中选取K个点 作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到 离它最近的那个聚类中心所在的类。计算新形成的每一个聚类的数据 对象的平均值来得到新的聚类中心，如果相邻两次的聚类中心没有任 何变化，说明样本调整结束，聚类准则函数 已经收敛。本算法的一 个特点是在每次迭代中都要考察每个样本的分类是否正确。若不正 确，就要调整，在全部样本调整完后，再修改聚类中心，进入下一次 迭代。如果在一次迭代算法中，所有的样本被正确分类，则不会有调 整，聚类中心也不会有任何变化，这标志着 已经收敛，因此算法结 束。2. K-means 聚类算法的一般步骤及处
9、理流程:(1) 从 n 个数据对象任意选择 k 个对象作为初始聚类中心；（2）循环（3）到（4）直到每个聚类不再发生变化为止；（3）根据每个聚类对象的均值（中心对象），计算每个对象与这 些中心对象的距离；并根据最小距离重新对相应对象进行划分；（4）重新计算每个（有变化）聚类的均值（中心对象）3.K-means 算法的特点。采用两阶段反复循环过程算法，结束的条件是不再有数据元素被重新分配： 指定聚类，即指定数据到某一个聚类，使得它与这个聚类中心的距离比它到其它聚类中心的距离要近。 修改聚类中心。优点：本算法确定的 K 个划分到达平方误差最小。当聚类是密集的，且类与类之间区别明显时，效果较好。对于
10、处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为O（NKt）,其中N是 数据对象的数目，t是迭代的次数。一般来说，KN，tN。四、聚类图像分割实例1、流程图用kmean分类结果在 图片上标出每个像素2、实验过程显示分割后的各个区域(1)、读取待处理图片close all;clear;I_rgb = imread(bird.jpg);%读取文件数据figure(1);subplot(1,2,1);imshow(I_rgb);%显示原图title(原始图像)；原始图像(2).将彩色图像从RGB转化到lab彩色空间C = makecform(srgb2lab)；%设置转换格式I_lab =
11、 applycform(I_rgb, C)；(3).进行K-mean聚类将图像分割成3个区域ab = double(I_lab(:,:,2:3);%取出 lab 空间的 a 分量和 b 分量nrows = size(ab,1)；ncols = size(ab,2);ab = reshape(ab,nrows*ncols,2);nColors = 3;%分割的区域个数为 3(4) .显示聚类结果cluster_idxcluster_center=kmeans(ab,nColors,distance,sqEuclidean,Replicates,3); %重复聚类 3 次pixel_labels
12、= reshape(cluster_idx,nrows,ncols);figure(1);subplot(111);imshow(pixel_labels,), title(聚类结果);聚类结果(5)、显示分割后的各个区域segmented_images = cell(1,nColors); rgb_label = repmat(pixel_labels,1 1 3);for k = 1:nColorscolor = I_rgb;color(rgb_label = k) = 0; segmented_imagesk = color;Endimshow(segmented_images1),ti
13、tle( 分 割 结 果 imshow(segmented_images2),title(分割结果 2);imshow(segmented_images3),title(分割结果 3);分割结果1分割结果3五、实验结果分析本算法确定的 K 个划分到达平方误差最小，当聚类是密集的，且类 与类之间区别明显时，效果较好，对于处理大数据集，这个算法是相 对可伸缩和高效的。但是在实验过程中，很明显的感觉到了 k均值方 法的缺点，在K-means算法中K是事先给定的，这个K值的选定是 非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适；另外，初始聚类中心的选取也是很重要的，聚类中 心的选取会很大的影响图形的提取。
