改進(jìn)的分水嶺和FCM算法應(yīng)用于圖像分割研究.pdf

1、圖像分割技術(shù)是圖像分析乃至高層圖像理解的重要基礎(chǔ)，廣泛應(yīng)用于工業(yè)、醫(yī)學(xué)、地理學(xué)、交通等領(lǐng)域，越來越受到學(xué)者們的關(guān)注。理論的創(chuàng)新促使基于特殊理論的圖像分割算法層出不窮。基于形態(tài)學(xué)理論的分水嶺算法有較高的分割精度和速度，但其過分割問題嚴(yán)重;基于模糊理論的模糊C均值(FCM)算法能夠無監(jiān)督工作和解決多分支分割問題，卻受初始值影響較大。面向課題應(yīng)用需求，為獲得更好的圖像分割效果，本文圍繞這兩種算法的改進(jìn)開展研究。
　　首先，分析分水嶺算法

2、的優(yōu)劣，從預(yù)處理階段來改進(jìn)經(jīng)典算法，考慮采用一種基于形態(tài)學(xué)濾波的標(biāo)記分水嶺分割方法。改進(jìn)算法對原始梯度圖像進(jìn)行開閉重建濾波，并利用內(nèi)外部標(biāo)記符控制分割區(qū)域，再對疊加標(biāo)記的梯度圖像進(jìn)行分水嶺變換;將該方法應(yīng)用于核磁共振(MRI)腦腫瘤圖像和河流合成孔徑雷達(dá)(SAR)圖像分割，消除了過分割現(xiàn)象。仿真對比實(shí)驗(yàn)結(jié)果表明:對MRI腦腫瘤圖像有較高的分割精度和速度;對河流SAR圖像，由于受相干斑噪聲和陰影的干擾，分割效果不夠理想，同時(shí)受擴(kuò)展的極值變

3、換中的閾值影響，需要根據(jù)仿真測試人為確定合適的閾值，以得到理想的分割結(jié)果。
　　其次，研究一種改進(jìn)模糊C均值(FCM)的圖像分割方法，以克服FCM算法需要人為確定分類數(shù)、且容易陷入局部極值的不足。改進(jìn)算法對原始圖像進(jìn)行Kuan濾波，依據(jù)濾波后圖像的直方圖得到初始類中心和分類數(shù)，由此引導(dǎo)算法進(jìn)行FCM圖像分割;因而該算法在應(yīng)用中能夠自適應(yīng)確定分類數(shù)和初始類中心，比經(jīng)典FCM算法的圖像分割精度高、速度快;相比改進(jìn)的分水嶺圖像分割方法，