开题报告-参考.doc

本科生毕业设计（论文）开题报告 题 目： 图像聚类及其Python实现 学 院： 信息工程学院 系 计算机 专 业： 数字媒体技术 班 级： 数媒121班 学 号： 6100412078 姓 名： 许乐峰 指导教师： 江顺亮 填表日期： 2016 年 4 月 5 日 选题的依据及意义： 数字图像是信息社会一种极其重要的信息资源，现代技术已能运用各种手段大量地采集和产生各种类型的图像信息数据。近年来随着需求的增加、工艺技术的进步，以各种方式获取的图像信息的数量得到了飞速的增长，世界每年产生的新图像已达800亿幅，信息膨胀已给人类带来过多的信息量以致超出了人的接受能力，有鉴于此，如何快速、准确、高效的从浩如烟海的图像信息网络中获取有用的信息就变得极为重要，其中图像聚类就是信息社会图像处理的关键要素，在各个领域已得到了广泛的应用。 所谓图像聚类就是在给出的图像集合中，根据图像的内容，在无先验知识的条件下，将图像分成有意义的簇，从而寻找相似的图像组。聚类可以用于识别、划分图像数据集，组织与导航，如零售商可以利用聚类算法跟踪消费者的购买行为，并据此策划相应的市场策略。 对于图像聚类，最引人注目的特征属性是颜色、纹理和形状等。 图像聚类属于无监督学习方法，无监督学习算法的特点，即它不是利用带有正确答案的样本数据进行训练，而是在一组数据中找到某种结构，数据本身并不是要找的答案．图像聚类算法的主要目的就是采集数据，然后从中找出不同的群组．目前有很多有效的聚类技术，如K-means聚类算法、层次聚类算法、谱聚类算法。 国内外研究现状及发展趋势（含文献综述）： 由于数据库技术和传感器技术的飞速发展、数据收集和数据存储技术的快速进步，使得各组织及研究机构积累了海量数据，另一方面，网络技术的发展也使获得大量数据变得较容易。然而在很多实际应用中，这些海量数据由于缺少形成模式类过程的知识，都是没有类别标签的。图像聚类技术能解决这一类问题，帮助分析数据的分布、了解各数据类的特征、确定所感兴趣的数据类以便作进一步分析，寻找隐藏在数据中的结构。 它将一组分布未知的数据进行分类，以尽可能地使得在同一类中的数据具有相同性质，而在不同类中的数据其性质各异。目前，图像聚类分析技术已经在很多领域得到了成功的应用，如模式识别、图像处理、商业数据分析、市场研究、生物基因、信息安全、计算机视觉等，涉及面非常广泛，并且提出了各种聚类算 法。如比较典型的K.means均值算法、FCM等等。然而，大多数聚类分析算法对输入参数是敏感的，且都存在一个不合理的假设：待分析的数据集是可聚的。 事实上，现有的大多数聚类算法并不分析数据集的可聚性，只要对数据集进行聚类操作就能得到一个聚类结果。因此，这一不合理假设的存在会产生两个问题： 1.如果数据集在空间中是均匀分布的，即自然簇不存在，对数据集进行聚类操作，显然得到的聚类结果是不合理的，且是不可解释的． 2.因某种聚类算法并不是对所有的数 据类型或者数据结构的分析适用，若不先对数据集进行聚类趋势分析，盲目地选择聚类算法，相当于是硬性地对数据施加一定的结构，不仅浪费了时间和精力，反而得到错误的结果。 为了避免聚类算法的不适当应用，也为了帮助更有效地解释聚类结果和了解数据本身的自然属性，并且降低将错误的结构强加给数据集的可能性，在应用聚类算法之前进行聚类趋势分析是很重要的。 目前，图像聚类主要是根据图像统计特征量和变换特征量的提取，通过提取图像统计特征量对图像固有的、本质的特征和属性进行量测。例如图像最大类间距、最大类内距、最大熵、目标区域面积、周长、仿射不变矩等，变量特征的提取方法有傅里叶变换和小波变换等，并将结果数值化为特征矢量，即用一组多维向量来表征图像中目标区域的特征、性质和相互间的关系，为模式识别提供数据基础。 20世纪初，数字图像技术已经经历了一个突飞猛进的阶段，成为创造人民文化生活环境，提高生产自动化、智能化的基础学科之一。数字图像技术的基础性研究，特别是结合人工智能和视觉处理的新算法，可以从更高水平提取图像信息的丰富内涵，现已成为人类运算量最大，直观性最强，与现实世界联系最深的视觉处理方式。 本课题研究内容 本课题将采取基于特征的方法对图像进行聚类。基于特征对图像进行聚类的方法是在建立图像库时?,?对输入的图像先进行图像分析?