模糊c均值的图像检测与分割
摘 要随着时代的信息化发展，用图像来传递信息的需求也越来越大。由于图像包含的信息本身具有复杂性以及不确定性等诸多干扰因素，想要准确并且有效的分割并提取我们需要的目标信息，并不是一件简单的事。因此，准确、有效的图像分割技术成为了图像处理中的一个重要研究内容。模糊聚类法是目前常用的图像分割法之一，而在模糊聚类图像分割法中，模糊C均值（Fuzzy C-Means,简称FCM）聚类算法是运用最为广泛并且较为成功的一种。然而，模糊C均值聚类算法在图像分割的应用当中仍旧存在着一些缺陷：（1）该算法在图像分割之前，需要设定一系列的初始值，并且这些初始值的设定对图像的分割结果有一定的影响；（2）传统的模糊C均值聚类算法在对图像进行分割时，需要对初始数据集的每一个元素进行迭代运算，这种方法的耗时长短依赖于初始数据集的大小，初始数据集越大，图像分割用时越长。因此，本论文不仅研究了传统的模糊C均值聚类算法，还将灰度直方图的概念引入该算法当中，使其在保证图像分割质量的前提下，能够实现快速的聚类。将经过改进的模糊C均值聚类算法应用于图像的分割实验，结果表明，改进后的算法不仅能够得到较好的分割效果，而且图像的处理速度也得到了很大的提高。
目 录
摘要 I
ABSTRACT II
目 录 III
第1章 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究的现状 2
1.3 本文研究内容 3
第2章 模糊C均值聚类算法 5
2.1 聚类算法简介 5
2.2 K均值算法简介 6
2.3 模糊C均值算法简介 7
2.4 K均值算法与模糊C均值算法的比较 9
第3章 改进后的模糊C均值聚类算法 15
3.1 灰度直方图算法简介 15
3.2 传统模糊C均值聚类算法的缺点 16
3.3 改进后的模糊C均值算法 16
3.4 算法改进的前后对比 17
第4章 图像分割算法 21
4.1 图像分割的定义 21
4.2 常用的分割算法 22
4.2.1 阀域化分割方法 22
4.2.2 基
*好棒文|www.hbsrm.com +Q: ￥351916072￥
于区域的分割方法 23
4.2.3 基于边缘检测的分割方法 24
4.2.4 其他的分割技术 25
4.3 基于聚类算法的图像分割 25
第5章 基于模糊聚类算法的图像分割 26
5.1 图像去噪 26
5.2 基于改进后的FCM聚类算法的图像分割 29
5.3 实验分割效果 29
第6章 总结与展望 32
6.1 总结 32
6.2 未来展望 32
致谢 34
参考文献 35
附录 37
附录1 英文文献翻译 37
附录2 部分源程序 45
第1章 绪论
1.1 研究的背景及意义
“感觉器官”是人体从外界获取信息的不可或缺的重要媒介，无论是在信息匮乏的古代，还是在信息急速膨胀的现在，人体要从外界获得信息最终还是得依靠视觉、嗅觉、听觉、触觉、味觉这五种感官。而在这获取信息的五种感官当中，视觉系统则占据了人们感知系统的第一顺位[1]。所谓“耳听为虚，眼见为实”，比起用其他的感官来获取信息，人们更相信通过视觉从外界获取的信息的真实性。因此，图像作为视觉信息的主要组成部分，也成为了人们广泛关注的焦点之一。
近年来，随着计算机的出现以及计算机科学的迅速发展，利用计算机来代替人工处理是社会发展的重要体现，也是未来不可避免的主要发展趋势[2]。因此，人们对于日益繁多且复杂的图像信息的处理，也逐渐依靠计算机模拟人脑来完成。但是计算机毕竟不是人脑，在获取图像信息的途中，可能会因为接收、传输过程中的一些设备局限性，导致接收的图像变得模糊或失真，所以，将图像具有意义的部分与失真的部分区分开来，对图像处理技术研究来说是很具意义的。
所谓的图像分割，简单来说，就是将图像分成几个部分，而这些分割的部分需要满足每个部分都要具有不同的意义，并且这些被分区域之间是没有交叉部分的，且每一个区域内的元素都满足其所在区域的一致性[1]。相比于大自然赋予人类的强大、完美的视觉系统，计算机模拟的视觉在图像分割上，很难达到同等的分割速度以及精度，所以，研究出一种有效且快速的图像分割技术，是推动图像处理技术发展的必不可少的重要内容之一。
一种好的图像分割方法，可以大大地提高进一步的图像分析的效率以及精度，因此，研究发展图像分割技术具有十分重要的意义。而目前，在众多图像分割算法当中，模糊C均值聚类算法可以算是应用最为广泛且较为成熟的分割算法了，即便如此，它也仍旧存在许多不足之处。用经典的模糊C均值算法分割图像不仅分割时间因图而异，分割质量也容易受到诸多因素的影响而参差不齐，另外，虽然在算法的实现过程中不需要人为干预，但也并非全智能，一些初始值还需人工设定，而且只有每一种设定只能对某一特定种类的图像分割比较有效。所以，人们对于模糊C均值算法仍在不断研究和改进当中，并且将新概念引入该算法的领域当中，以求得更好的图像分割效果。可以预见，即便是在未来的几十年内，人们对改进模糊C均值聚类算法的研究热度也不会降低。
1.2 国内外研究的现状
近年来，人们从多个方面对模糊聚类算法进行研究和应用，特别是在其有效性度量、实现途径以及目标函数的演化等方面。
（1）关于算法的有效性研究
模糊聚类算法的有效性度量的研究内容，主要是研究聚类结果是否合理以及聚类分析的发展动向。在数据集合给定的情况下，首先要确认它的随机性以及它的聚类结构，然后在划分数据集合后，要确定划分结构的合理性，最后还要确定类与类之间的聚类趋势是否存在，是否可以多重分辨表示数据集合。
（2）关于算法的具体实现途径
目前研究的模糊聚类算法有多种实现途径，而针对一些特定的问题及对象，人们也研究出了颇具代表性的很多聚类方法，例如：①分层聚类算法，其代表算法有BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies)算法和CURE（Clustering Using Representatives）算法等；②分割聚类算法，其代表算法有Kmeans算法、Kmedoids算法以及这类算法的改进算法等；③基于密度的聚类算法，其代表算法有DBSCAN(DensityBased Spatial Clustering of Applications with Noise)算法和OPTICS（Ordering?Points?to?identify?the?clustering?structure）算法等；④网格聚类算法，其代表算法有STING(STatistical Information Grid)算法、CLIQUE(Clustering In QUEst)算法、WAVECLUSTER算法等[3]。
虽然聚类算法的种类繁多且各有千秋，然而在模式识别里，研究者们最常用的聚类算法则属于既简单又容易实现的基于划分的分割聚类算法了。分割聚类算法因为是通过对目标函数的极值求解来达到数据划分的目的，所以在某些时候也被称作为基于目标函数的聚类算法。分割算法的传统做法是以一种硬划分的方式进行的，即将待处理的数据集中的每一个元素严格地归属到某一类当中。而在这种算法的运行下，每个被划分对象的隶属度非0即1，但在现实生活中，大多数对象并不可能被严格地归为某一类或某一属性，如某些图像因为在传输过程中设备不精或操作不当等原因导致图像失真、边界模糊不清，在这种情况下，硬性划分显然无法确切地反映出现实生活中对象和类复杂的从属关系。针对硬性划分所存在的不足之处，人们又提出了软划分这一新概念，即被划分的对象的隶属度不再局限于被划分为0或1，而是一个属于0和1之间的区域（包括0和1）的一个数值。而这种对待处理对象进行软划分的分割聚类算法，因为它具有的模糊性，又被称为模糊分割聚类算法。
目 录
摘要 I
ABSTRACT II
目 录 III
第1章 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究的现状 2
1.3 本文研究内容 3
第2章 模糊C均值聚类算法 5
2.1 聚类算法简介 5
2.2 K均值算法简介 6
2.3 模糊C均值算法简介 7
2.4 K均值算法与模糊C均值算法的比较 9
第3章 改进后的模糊C均值聚类算法 15
3.1 灰度直方图算法简介 15
3.2 传统模糊C均值聚类算法的缺点 16
3.3 改进后的模糊C均值算法 16
3.4 算法改进的前后对比 17
第4章 图像分割算法 21
4.1 图像分割的定义 21
4.2 常用的分割算法 22
4.2.1 阀域化分割方法 22
4.2.2 基
*好棒文|www.hbsrm.com +Q: ￥351916072￥
于区域的分割方法 23
4.2.3 基于边缘检测的分割方法 24
4.2.4 其他的分割技术 25
4.3 基于聚类算法的图像分割 25
第5章 基于模糊聚类算法的图像分割 26
5.1 图像去噪 26
5.2 基于改进后的FCM聚类算法的图像分割 29
5.3 实验分割效果 29
第6章 总结与展望 32
6.1 总结 32
6.2 未来展望 32
致谢 34
参考文献 35
附录 37
附录1 英文文献翻译 37
附录2 部分源程序 45
第1章 绪论
1.1 研究的背景及意义
“感觉器官”是人体从外界获取信息的不可或缺的重要媒介，无论是在信息匮乏的古代，还是在信息急速膨胀的现在，人体要从外界获得信息最终还是得依靠视觉、嗅觉、听觉、触觉、味觉这五种感官。而在这获取信息的五种感官当中，视觉系统则占据了人们感知系统的第一顺位[1]。所谓“耳听为虚，眼见为实”，比起用其他的感官来获取信息，人们更相信通过视觉从外界获取的信息的真实性。因此，图像作为视觉信息的主要组成部分，也成为了人们广泛关注的焦点之一。
近年来，随着计算机的出现以及计算机科学的迅速发展，利用计算机来代替人工处理是社会发展的重要体现，也是未来不可避免的主要发展趋势[2]。因此，人们对于日益繁多且复杂的图像信息的处理，也逐渐依靠计算机模拟人脑来完成。但是计算机毕竟不是人脑，在获取图像信息的途中，可能会因为接收、传输过程中的一些设备局限性，导致接收的图像变得模糊或失真，所以，将图像具有意义的部分与失真的部分区分开来，对图像处理技术研究来说是很具意义的。
所谓的图像分割，简单来说，就是将图像分成几个部分，而这些分割的部分需要满足每个部分都要具有不同的意义，并且这些被分区域之间是没有交叉部分的，且每一个区域内的元素都满足其所在区域的一致性[1]。相比于大自然赋予人类的强大、完美的视觉系统，计算机模拟的视觉在图像分割上，很难达到同等的分割速度以及精度，所以，研究出一种有效且快速的图像分割技术，是推动图像处理技术发展的必不可少的重要内容之一。
一种好的图像分割方法，可以大大地提高进一步的图像分析的效率以及精度，因此，研究发展图像分割技术具有十分重要的意义。而目前，在众多图像分割算法当中，模糊C均值聚类算法可以算是应用最为广泛且较为成熟的分割算法了，即便如此，它也仍旧存在许多不足之处。用经典的模糊C均值算法分割图像不仅分割时间因图而异，分割质量也容易受到诸多因素的影响而参差不齐，另外，虽然在算法的实现过程中不需要人为干预，但也并非全智能，一些初始值还需人工设定，而且只有每一种设定只能对某一特定种类的图像分割比较有效。所以，人们对于模糊C均值算法仍在不断研究和改进当中，并且将新概念引入该算法的领域当中，以求得更好的图像分割效果。可以预见，即便是在未来的几十年内，人们对改进模糊C均值聚类算法的研究热度也不会降低。
1.2 国内外研究的现状
近年来，人们从多个方面对模糊聚类算法进行研究和应用，特别是在其有效性度量、实现途径以及目标函数的演化等方面。
（1）关于算法的有效性研究
模糊聚类算法的有效性度量的研究内容，主要是研究聚类结果是否合理以及聚类分析的发展动向。在数据集合给定的情况下，首先要确认它的随机性以及它的聚类结构，然后在划分数据集合后，要确定划分结构的合理性，最后还要确定类与类之间的聚类趋势是否存在，是否可以多重分辨表示数据集合。
（2）关于算法的具体实现途径
目前研究的模糊聚类算法有多种实现途径，而针对一些特定的问题及对象，人们也研究出了颇具代表性的很多聚类方法，例如：①分层聚类算法，其代表算法有BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies)算法和CURE（Clustering Using Representatives）算法等；②分割聚类算法，其代表算法有Kmeans算法、Kmedoids算法以及这类算法的改进算法等；③基于密度的聚类算法，其代表算法有DBSCAN(DensityBased Spatial Clustering of Applications with Noise)算法和OPTICS（Ordering?Points?to?identify?the?clustering?structure）算法等；④网格聚类算法，其代表算法有STING(STatistical Information Grid)算法、CLIQUE(Clustering In QUEst)算法、WAVECLUSTER算法等[3]。
虽然聚类算法的种类繁多且各有千秋，然而在模式识别里，研究者们最常用的聚类算法则属于既简单又容易实现的基于划分的分割聚类算法了。分割聚类算法因为是通过对目标函数的极值求解来达到数据划分的目的，所以在某些时候也被称作为基于目标函数的聚类算法。分割算法的传统做法是以一种硬划分的方式进行的，即将待处理的数据集中的每一个元素严格地归属到某一类当中。而在这种算法的运行下，每个被划分对象的隶属度非0即1，但在现实生活中，大多数对象并不可能被严格地归为某一类或某一属性，如某些图像因为在传输过程中设备不精或操作不当等原因导致图像失真、边界模糊不清，在这种情况下，硬性划分显然无法确切地反映出现实生活中对象和类复杂的从属关系。针对硬性划分所存在的不足之处，人们又提出了软划分这一新概念，即被划分的对象的隶属度不再局限于被划分为0或1，而是一个属于0和1之间的区域（包括0和1）的一个数值。而这种对待处理对象进行软划分的分割聚类算法，因为它具有的模糊性，又被称为模糊分割聚类算法。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/3021.html
