基于閾值的圖像分割算法的研究.pdf

1、圖像分割是計算機視覺和圖像處理與分析中的重要研究內(nèi)容，計算機視覺中的圖像理解包括目標(biāo)檢測、特征提取和目標(biāo)識別等，都依賴于圖像分割的質(zhì)量。而閾值分割是圖像分割中的一項簡單有效的技術(shù)，它從背景中識別和提取出目標(biāo)，被廣泛應(yīng)用在文本圖像處理、物品質(zhì)量檢測、醫(yī)學(xué)圖像處理、交通、軍事等多個方面。 最大類間方差法是常用的圖像閾值分割方法，本文在發(fā)現(xiàn)K-means算法一維空間保序性的基礎(chǔ)上，證明了K-means算法和最大類間方差法在多閾值分割上

2、的目標(biāo)函數(shù)等價性，它們都是通過最小化類內(nèi)方差得到最終結(jié)果的，因此本文提出了一種基于K-means思想的閾值分割算法，但是，K-means閾值分割算法是局部最優(yōu)算法，最大類間方差法是全局最優(yōu)算法，只有K-means閾值分割算法尋找到的局部最優(yōu)值是全局最優(yōu)值時，兩者得到的閾值才是相等的。和幾種常用的閾值分割算法對比發(fā)現(xiàn)，K-means閾值分割算法在分類誤差率和一致性上都可得到較好的評價，且在多閾值分割上，節(jié)省了處理時間，效率較高。

3、一維K-means閾值分割方法只是考慮了圖像的灰度值信息，本文又綜合考慮了像素的鄰域均值信息，把K-means閾值分割算法拓展到二維，對添加了高斯噪音和椒鹽噪音的圖片都能取得不錯的分割結(jié)果，具有一定的抗干擾性。 當(dāng)噪音大量存在時，二維K-means閾值還不足以排除噪音干擾，本文在考慮圖像的灰度值、鄰域均值信息的同時，考慮了像素的鄰域中值信息，把K-means閾值分割算法擴展到三維，抗噪音干擾的能力更強。 基于L1距離（曼