基于聚類分析的圖像分割算法研究.pdf

1、聚類分析是數(shù)據(jù)挖掘的重要手段，其應用領域廣泛，包括統(tǒng)計學、圖像處理、醫(yī)療診斷、信息檢索、生物學以及機器學習等。聚類算法應用于圖像分割時能夠獲得較好的分割效果而得到廣泛的關注和應用。圖像分割是圖像處理到圖像分析理解的中間步驟，也是計算機視覺研究中由低級視覺到高級視覺的橋梁。獲取良好的圖像分割效果是后續(xù)圖像分析、理解和識別順利開展的基礎。然而，隨著現(xiàn)代電子成像設備的飛速發(fā)展，圖像的像素規(guī)模迅速增長，圖像的類型也趨于多樣化，圖像本身還存在很多

2、固有的特殊性和不可預知的復雜性，圖像分割的速度和質量也因實時性要求日益受到人們的關注，待處理的數(shù)字圖像數(shù)據(jù)集過大時，圖像分割的質量和速度總是相矛盾的，很多聚類分割算法的實現(xiàn)過程往往更加耗時，缺乏精度或不合實際，因此如何有效的應用聚類算法實現(xiàn)實時自動快速高質量的圖像分割仍然是極其重要并尚待有效解決的問題。
　　 本文主要針對圖像分割的上述問題以及一些聚類算法存在的高昂計算復雜度和巨大內存需求而難以應用于大規(guī)模圖像數(shù)據(jù)集的分割處理中

3、的問題展開研究和討論。在此過程中，本文的主要創(chuàng)新體現(xiàn)在以下幾方面：
　　 (1)針對傳統(tǒng)Ncut譜聚類算法計算復雜度高的問題，本文提出基于形態(tài)學分水嶺和Ncut的圖像分割算法，融合二者的優(yōu)點用于彩色圖像分割，將二次分水嶺運算分割后得到的區(qū)域視為圖的節(jié)點，并利用彩色信息以及空間位置信息構造新的權值矩陣，結合區(qū)域顏色信息和位置信息重新構造的權值矩陣，對不同的分割圖像無需手動設置參數(shù)，使權值矩陣的計算具有一定的自適應性。提出的算法與傳

4、統(tǒng)的Ncut算法相比，圖像分割效果更好，分割效率也大幅度提升。
　　 (2)針對近鄰傳播聚類算法(affinity propagation，AP)存在運算時間長、空間復雜度高而難以應用于較大規(guī)模圖像數(shù)據(jù)處理的問題，提出一種改進的近鄰傳播聚類的彩色圖像分割算法MSAP，該算法首先用mean shift(MS)算法對輸入彩色圖像進行預分割，計算預分割后得到的區(qū)域內像素的均值作為整個區(qū)域的顏色值，計算區(qū)域間的顏色差值構成AP算法中的相

5、似度矩陣，顯然mean shift算法預分割后的區(qū)域數(shù)目遠遠小于圖像本身的像素點數(shù)目，因此用分割得到的區(qū)域數(shù)目代替圖像像素點數(shù)目，有效地減小了相似度矩陣的規(guī)模，大大地節(jié)省了算法的運算時間。通過大量實驗驗證了MSAP算法在處理能力和運算速度上明顯優(yōu)于AP算法，并且該算法在彩色圖像分割中取得了較為滿意的分割結果。
　　 (3)層次聚類算法(hierarchical clustering，HC)能夠考慮全局信息獲取高質量的聚類結果，但

6、其計算復雜度高，運行時間較長，限制了該算法在大規(guī)模圖像分割中的應用，因此本文提出一種基于mean shift算法和層次聚類的圖像分割算法MSHC，并將其應用于彩色圖像和醫(yī)學圖像的分割中，取得了較好的分割效果。
　　 (4)為了得到穩(wěn)定、高質量的聚類結果，提出一種新的聚類算法，即根據(jù)數(shù)據(jù)點能量和的大小識別類代表點和類成員點，通過數(shù)據(jù)點間的競爭識別出最有能力成為類成員的數(shù)據(jù)點，并通過實驗驗證了提出算法的有效性。為了將該算法應用于大規(guī)