Abstract
In an image, the scene is often a large number of targets, reflected in many are- as in the image. Image segmentation is an important image analysis technique of with the luminance component of the image，simple and fast. But it ignores a large part of the information in the image: color, so the poor segmentation results.Research on color image segmentation has been the focus of image processing, which uses a variety of color space model, making the segmentation more comprehensive and more accurate.
This paper first describes the traditional image segmentation and clustering algorithm to partition, and then focuses on a segmentation method based on the K- means clustering algorithm for image improvement. The experimental results show that the segmentation method can improve real-time stability of segmentation to ext- ract the target partition to good effect.
Key words: K-means clustering; image segmentation; clustering algorithm
目录
序言 ................................................................................................ 1 1图像分割综述 ................................................................................ 1
1.1 图像分割技术的现状和发展情况 ....................................................... 1 1.2 图像分割主要研究方法 ....................................................................... 2
2 K-均值聚类算法 ........................................................................... 2
2.1 聚类概念 ............................................................................................. 2 2.2 K-均值聚类算法 ................................................................................. 2
3 基于K-均值聚类的彩色图像分割算法及改进 ......................... 3
3.1引言 ........................................................................................................ 3 3.2 图像特征提取 ....................................................................................... 4
3.2.1 颜色特征的提取 ........................................................................ 4 3.2.2 纹理特征的提取 ........................................................................ 4 3.3 K-均值聚类图像分割算法的研究与改进 ............................................ 5 3.4 实验结果与分析 ................................................................................... 6
总结与展望 ....................................................................................... 8
4.1 工作总结 ............................................................................................... 8 4.2 工作展望 ............................................................................................... 8
参考文献 ........................................................................................... 9
序言
在计算机视觉和图像分析中。如何把目标物体从图像中有效分割出来一直是个经典难题之一，它决定图像的最终分析质量和模式识别的判别结果。图像分割是指将图像中具有特殊意义的不同区域分开来，并使这些区域相互不相交，且每个区域应满足特定区域的一致性条件。图像一旦被分割，就可作进一步的处理，如基于内容的图像检索、分类及识别等。因此，图像分割是图像处理和模式识别中的一个重要研究领域。目前图像分割的算法主要有阈值分割法、边缘提取法、区域分割法、分水岭分割法等，这些分割算法各有优缺点。近年来，许多研究人员提出用聚类算法来分割图像，并取得了较好的实验结果。但如何初始划分(分类)样本以及选择代表点将直接影响分割的效果。在以往的研究中，基于K均值聚类及其改进算法的图像分割技术受到了广泛关注。
1图像分割综述
21世纪是信息化的时代，信息的形式不再是单纯的语音，而是发展到包括数据、文字、图像、视频等在内的多媒体形式。据统计，人类接受外界的信息中有80％来自图像。图像分割技术是针对性很强的技术，它在人类生产和生活的方方面面起到了越来越重要的作用。
1.1 图像分割技术的现状和发展情况
图像分割算法的研究已有几十年的历史，一直以来都受到人们的高度重视。关于图像分割的原理和方法国内外已有不少的论文发表，但一直以来没有一种分割方法适用于所有图像分割处理。传统的图像分割方法存在着不足，不能满足人们的要求，为进一步的图像分析和理解带来了困难。
1
1.2 图像分割主要研究方法
图像分割是图像处理中的一项关键技术， 图像分割是把图像分割成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程，这些特性可以是像素的灰度、颜色、纹理等提取的目标可以是对应的单个区域，也可以是对应的多个区域。图像分割方法有许多种分类方式，在这里将分割方法概括为四类：边缘检测方法[1][2]、区域生长方法[3]、阈值分割方法[4]及结合特定理论工具的分割方法。
2 K-均值聚类算法
2.1 聚类概念
将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析计算方法主要有如下几种：划分方法，层次方法，基于密度的方法，基于网格的方法，基于模型的方法。
K-均值聚类算法是著名的划分聚类分割方法。划分方法的基本思想是：给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K 2.2 K-均值聚类算法 k-means算法是machine learning领域内比较常用的算法之一。 先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子 2
相关推荐：
loading