用最少信噪比对一个灰度聚类约简算法.docVIP

用最少的信噪比对一个灰度聚类约简算法 关键词:灰度聚类 聚类算法 图像分割 直方图 图像处理 灰度减少 灰度聚类分析是一种重要的图像处理程序,从而降低了灰度强度的一个形象。为了显示一个高灰度图像在灰度低设备屏幕,一个好的灰度聚类算法是必要的减少来完成这项任务。基于平均价值标准偏差,在不同图像直方图sub-intervals,递归算法灰度减少提出了建议。它把分成不同的sub-intervals图像直方图直到区别递归原始图像和图像在给定阈值聚类到达。我们不断进行实验,我们所提出的演算法的比较,与其他先进的算法在不同的高灰度图像。实验结果表明,此算法优于别人的以高质量图像视觉和计算变形聚集。 简介 主要目的是把一个灰度聚类形象为群集的形象。一个聚类图像可以被应用对许多应用。例如,卫星图像聚类(Baraldi和Parmiggiani,1995),用于分类地质学、对那些措施面积对森林、或范围的培养土地。在图像压缩中的应用Biswas和我的老友,(2000年),一个聚类图像可能会达到一个更高的压缩率。在应用核磁共振成像(麦卡锡套等。1995年),受损的区域,得到聚类后一个苹果。在文本分类的应用(SONG等,2008),王汝成文本很容易从中提取一个群集的形象。由于灰度和解决手机、MP4、PDA屏幕通常较低比电脑。因此,减少灰度和解决问题图像显示的是必要的,在这些设备。 有两种类型的图像聚类。第一类为基础在灰色的水平。它由单阈值(1979),(最后进行multi-thresholding方法(Arora,Acharya,Verma,和Panigrahi,2008年,Strub;Geraud,和Darbon,2001年;硕士学位论文最后进行Soltani,吕志宗,陈,1988年；Gorman,1994年;Sezgin和Sankur,2004年;燕,1996)在灰度图像。单阈值方法只转换成相应的原始图像的二进制代码当Mult-thresholding图像灰度聚类方法分成几个不同像素间隔。最后进行方法(最后进行,1979)传统的方法是multi-thresholding技术。 的这种方法的缺点是计算的昂贵。因此,Arora(2008)提出了一种快速mult-thresholding算法(Arora 王汝成等,2008)等来解决这个问题。 第二种类型的图像聚类是基于聚类的方法。k -均值算法(Bezdek和DONG等,1981,《科学通报》,2006)经典方法对这个用途。然而,这些方法的弊端是:(1)的选择以及初始分组数聚类中心是手动和(2)选择他们需要更高计算时间。因此,DONG(2006)进一步提高其局限性用快速k均值算法进行套(DONG等。2006)。 基于双层金字塔数据结构的生成算法,他发现图像聚类从低分辨率图像,然后延伸到更高分辨率的图像。 根据这两种算法的上述类型的图像聚类的方法,提出了对进一步提高grey-level图像还原技术的条件。我们的方法先采用的算法(Arora等,2008)选择的字母分组和聚类中心,然后一个k -均值采用聚类算法聚类方法更新算法直到被选择的最优中心。 其余的文章是有组织的如下:在第二节灰度聚类算法的算法。在我们部分的方法与其他方法的比较。最后,我们总结研究结果和结论对我们未来的工作。 2.算法 一幅图像可能被定义为一个二维函数,在M和N是图像的宽度和高度,x和y是它的空间坐标和强度在任何两个f的坐标。 (x,y)是灰度图像的在这里。因此,我们用f(x,y)是一种原始输入图像的表达: 基于直方图,一套灰度聚类所提出的算法。这是一个直方图分割,是由提出建议算法(n sub-intervals箱)。 根据强度列举了灰度像素,sub-intervals为0、1,2,…,n - 1。图1述了直方图分割成四个不同的垃圾桶中。让Ti是sub-interval= 0、1、2。。。,n。因此,多阈值图像值最高T1、T2、T3,与T4的sub-intervals为0、76年、128年、172年和256年分别为:如图1。也就是说,这些多阈值分割在4种不同灰度像素箱;分别为【0,76),【76—128),【128172)和【172256)。 让Vi是值的灰度强度低的sub-interval。 因此,四个均值,V0,V1,V2与V3图分别是54,106年、149年和195年。 让(a,b)是一个sub-interval直方图,我是强烈的灰度像素,Hl是数量的灰度像素l。然后,均值的一个sub-intervall(a,b)计算 冈萨雷斯和伍兹(2002): 标准偏差为sub-interval r(a,b)是计算出 冈萨雷斯和伍兹(2002): 让权是均方根误差(冈萨