基于模糊C均值纹理图像分割.docVIP

基于模糊C均值纹理图像分割摘要：图像分割是数字图像处理中的关键技术之一，是为了将图像中有意义的特征提取出来。纹理图像通常被认为是由纹理基元按某种确定性的规律或者只是某种统计规律重复排列组成。纹理图像分割主要目的是获得纹理图像不同区域的边界。 本文基于matlab编程语言，采用灰度共生矩阵来提取纹理图像的特征，然后采用模糊C均值的聚类方法对提取出的特征做聚类，文中第三章给出了实验结果与讨论，实验结果表明，该方法可以有效的获得纹理图像不同区域的边界。 关键词：纹理图像图像分割灰度共生矩阵模糊C均值。 图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用于人眼而产生视觉的实体。数字图像处理就是采用一定的算法对数字图像进行处理，以获得人眼视觉或者某种接收系统所需要的图像过程。图像处理的基础是数学，主要任务是进行各种算法设计和处法实现。图像处理内容也并非非孤立存在的，往往相互联系，而一个实用的图像处理系统也通常需要将几种图像处理技术结合起来，才能得到所需要的结果。 图像分割方法又可以分为结构分割方法和非结构分割方法两大类。结构分割方法是根据图像的局部区域像素的特征来实现图像分割，如阈值分割、区域生长、边缘检测、纹理分析等，这些方法假定事先知道这些区域的特性，或者在处理过程中能够求得这些特性，从而能够寻找各种形态或研究各像素群。非结构分割法包括统计模式识别、神经网络方法或其他利用景物的先验知识实现的方法等。 从来60年代开始，遥感图像分类一直立足于单像元的光量谱能量信息，按统计学算法对单个像元进行分类。近年来，随着遥感技术的发展，高分辨率遥感影像陆续出现，传统的仅依靠单个光谱信息的分类方法难以满足实际需求，人们开始研究能够改变分类精度的新方法，陆续提出了空间信息等概念。而描述区域性质的纹理信息是一种重要的空间信息。 纹理通常被认为是由纹理基元按某种确定性的规律或者只是某种统计规律重复排列组成，但至今认为准确的纹理是不存在的，一般来说，纹理在局部区域内呈现不规则性，而在宏观上又表现出某种规律性。纹理是由许多相互接近的，相互编织的元素构成，并富有有周期性。纹理就是指在图像中反复出现的局部模式和它们的排列规则。这是一种与图像空间区域有关的特征，因此必须在图像的某个区域上才能反映和测量出来。 纹理是表征图像的一个重要特征，它广泛存在于各类图像中，通常运用各种观测系统获取的图像大多是纹理型的，如航空和卫星遥感图像，水文地质图像。医学显微图像，材料的微观图像等，甚至很多自然景物都可以认为是由许多细微的纹理组成的，通过对这些纹理图像进行分析可获取很多有用的宏观和微观信息，因此纹理分析具有重要的理论意义和广阔的应用前景。 根据局部的不规则性和全局的规律性，可将纹理分为随机性纹理和确定性纹理。从空间变化情况看，若图像中灰度相当不平稳，需要研究图像在极小范围内的变化规律，称为微纹理，若图像中有明显示的占有一定尺寸的结构单元，整个图像的纹理是由这些结构单元按一定规律形成的，则称之为宏纹理，上述的结构单元称为纹理单元。 纹理分析的主要任务包括纹理分割，纹理分类和纹理合成三个方面。纹理分割主要目的是获得纹理图像不同区域的边界，纹理分类是将纹理区域归于不同类别，获得纹理类别分布图。无论从目的还是方法上，纹理分割和分类是不能截然分开的，在实际应用中，两者可以互换使用。纹理合成主要应用于图像压缩以及计算机形态学领域。 纹理特征提取是纹理分割的关键，一般灰度图像的分割是基于灰度值的一致性，相近性；在纹理图像中，区域的一致性是由区域内纹理的某些特征的一致性来表示的，分割是在某个或某些特征的基础上进行的。 纹理特征提取的主要目的是将随机纹理或确定纹理的空间结构差异映射为特征值的差异。分割则是从纹理特征空间中，提取出特征一致的区域。分割方法可分为基于区域和基于边界的方法，其不同在于：基于区域的方法检测特征空间的一致性，基于边界的方法检测特征空间的相异性。 因为纹理是由基本的纹理单元及其相互联系表现出来的，孤立地从一个象素不可能得到有关纹理信息。象素值的直方图也很少能反映出纹理信息，所以纹理图像任一象素特性是由该象素与其周围象素的相五联系来确定的。通过特征提取，从纹理图像中计算出一些在同质区域内保持相对稳定的特征值，以此特征值作为特征，表示同质区域内一致性以及区域间的相异性，通过分析纹理特征空间，提取特征一致性的区域，从而实现分割及分类。 纹理分析方法大致可以分为四类：统计方法，结构方法，模型方法和空间频谱分析法，均有许多成功的应用。 基于结构的方法假设纹理是由一系列纹理基元有规律的排列组成，纹理基元可以分离出来，结构方法力图通过找到纹理基元，以基元特征和排队列规则作为特征进行纹理分割，一