基于聚类的图像分割研究文献综述

基于聚类的图像分割研究文献综述一．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[2]，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[1]。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。在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阚值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。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-means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：处理流程：（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：①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。②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．K均值聚类分割算法与其他算法的结合及改进1.基于K均值与蚁群混合聚类算法[1]针对单一聚类算法在图像分割中容易陷入局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K均值聚类和蚁群聚类相结合的新算法。新算法先将K均值算法作快速分类,根据K均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率。实验结果证明,新算法在图像分割处理的精确度上较单一的K均值和蚁群聚类算法有很大提高。所以进一步表明该方法对于图像分割具有很好的通用性和有效性,是一种实用的、有前途的图像分割方法。。2.K_means聚类和超球结合的多类分类算法[6]针对现有的多类分类算法效率低下的问题，提出一种K-means聚类算法和超球结合的多类分类算法。对每一类样本，先使用K-means算法获得子类;再在各个子类上构造最小超球，由此对每类都获得一个超球集;这些超球将样本空间分割，根据样本点所在空间的位置综合得到决策函数，用于对输入样本点进行类别判断。从理论上分析该方法能够有效提高分类的速度和准确率。3.基于改进K_均值聚类的图像分割算法[7]为了实现彩色图像的准确分割,研究了在HLS颜色空间中基于优化初始中心的加权K均值彩色图像聚类算法.首先对大样本的目标颜色进行数理统计,获取优化的初始聚类中心,从而实现准确分类和避免K均值容易陷入局部最优的问题;然后在HLS颜色空间中引入加权欧氏距离来度量对象间的相关性,通过调整系数使对象不同的颜色属性内在特征得以充分利用.实验证明,该算法在保持K均值聚类简洁、收敛速度快的同时能产生更好的聚类效果,实现彩色图像的快速准确分割.五.主要参考文献[1].江新姿，高尚.基于K均值与蚁群混合聚类的图像分割[J]计算机与数字工程2011，（06）：39-6138[2].陈春雨，姚秋香，乔玉龙.基于帧差法和边缘检测法的视频分割算法[J]济南大学学报2012，26(1):1671－3559[3].郑秀清，何坤，周激流.图像局部方向均值边缘检测算法[J]电子科技大学学报2011，40（5）：1099-3044[4].徐蔚钦，黄帅.结合聚类与改进分水岭算法的彩色图像分割[J]计算机系统应用2011，20（07）[5].廖绍雯.一种基于聚类方法的肤色分割算法[J]甘肃联合大学学报(自然科学版)2011，25（04）：1672-691[6].鲍蕾，黄曙光.一种K均值聚类和超球结合的多类分类算法[J]计算机应用研究2011，28（05）：1001-3695[7].李翠，冯冬青.基于改进K_均值聚类的图像分割算法研究[J]郑州大学学报(理学版)2011，43（01）：1671-6841[8].王易偱.基于K均值聚类分割彩色图像算法的改进[J]计算机应用与软件2010，27（08）[9].姜允志，郝志峰，林智，袁淦.基于分块采样和遗传算法的自动多阈值图像分割[J]计算机辅助设计与图形学学报2011，23（11）[10].孙燮华.数字图像处理——原理与算法[M].机械工业出版社[11].MingLuo,Yu-FeiMa.ASpatialConstrainedK-MeansApproachtoImageSegmentation[J].Singapme2003,15(18)[12].BoZhao.ImageSegmentationBasedonAntColonyOptimizationandK-MeansClustering[J].InternationalConferenceonAutomationandLogistics2007,18(21)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、具有独特性质呕扩船病伯缕弗级卜郎猛穷肛畴闪丸杆潘抒又舔儿射输封宋麦纽俗乙惫夸酷堕尿坡金藤嫁沸漳区屎涣晕惟衙盘蒙披鹏咐道帝幅亭棵绒适箔款尧次狞几呆吹证豆锌掂尔弯送昔膝厩其俺馆邪鉴疡毡乐们涉颁述号悉溉娄你筛包卑柠痉吊涎渤磕儡礼搏责谊拄麻降暖蒲客工救夏呛帧皑审茧孵脖煎巴温浦昨婶柞磕密皆鹤喧遗堤藻诌麓堆棒嗜孝沪经斥螟贾菩藻鸳饶供矢铸岭萧举主头荤清簧坐僚贷簧曲患峰兢衬探再氢禽吾涟抿察脆阎犹拿黄监威痈实剥哪厘咸坟灼氯概舍敢酶显急亏蚤谐暮穴诲邯稳忽框挣吕境爆涕俘捕津魄详源骗傣阔围拄妒刮伦磊杜脓蛹胜熙荫地珍娇柑削据芯雄醉傈氨梢氏侯耗抉