利用k均值算法进行图像分割-read.docVIP

硕士研究生专业课考试大作业 课程名称： 模式识别 课程编号： 063806 任课教师姓名： 刘海波 职称： 副教授 学生姓名： 代丽洁 学号： S307060119 作业题目： 利用K均值算法进行图像分割 成绩： 二〇〇八年六月卅日 利用K均值算法进行图像分割 摘要：图像分割是图像识别与分析的基础,分割的准确性直接影响到后续工作的效果.近年来,对图像分割的研究越来越引起人们的关注.同时,也提出了许多有效的算法. 本文将K均值算法用于图像的分割,K均值算法是模式识别中非常有效的聚类算法.利用图像的颜色特征进行聚类. 关键词：图像分割；K均值算法；聚类 1 问题描述 在人类所接受的信息中，有80%是来自视觉的图像信息，包括图像、图形、视频以及文本等等，这些都是目前人们获得信息的最佳手段。对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，而对于图像的处理来说，图像分析是一个基本的步骤，并且随着计算机的普及以及其它相关学科的发展，人们越来越多的需要通过对图像进行分析并从中提取有用的信息加以利用。 图像分割作为图像分析的基础，是图像分析过程中的关键步骤。图像分割，顾名思义是将图像按照一定的标准划分成不同的区域，使得同一区域内像素之间具有一致性，而不同区域间不存在这种一致性[1]。 图像分割技术是图像识别、理解的基础，其主要应用领域包括智能移动机器人的场景理解、智能视频监控中的运动目标提取、基于内容的图像检索、基于内容的图像压缩等。 图像分割方法根据处理对象不同可以分为灰度图像分割方法和彩色图像分割方法。 2 研究现状 图像分割的研究多年来一直受到研究人员的重视，现在这个领域的发展现状可以概括为不仅分割算法非常多，而且分割的图像的种类也各有不同(包括光强度图像、深度图像、核磁共振图像、SAR图像和热成像等)，分割中用到的图像的模型不同(有物理模型和随机场模型)，分割的目的不同(提取图像中的边缘或提取图像的目标区域)等，因此，图像分割方法的分类也不尽相同。 对于灰度图像的分割方法，人们从不同角度[2]提出了诸如直方图阈值法，区域生长法，边缘检测法，基于分水岭的方法和神经网络法等等。 对于彩色图像分割方法总的来说可以认为彩色图像分割方法分为基于颜色特征空间的和基于纹理特征空间以及基于混合特征的三类分割方法[3]。 本文将K均值算法用于图像分割,输入的是彩色图像,转换为灰度图像进行分割,输出结果为灰度图像.利用灰度做为特征对每个像素进行聚类,由于光照等原因,有时应该属于一个物体的像素,其灰度值也会有很大的差别,可能导致对该像素的聚类发生错误.在分割结果中,该物体表面会出现一些不同于其它像素的噪声点,因此,算法的最后,对结果进行一次中值滤波,以消除噪声,达到平滑图像的作用. 3 算法原理 本文利用K均值算法进行图像分割。K-均值聚类算法是一种基于样本间相似性度量的间接聚类方法，采用的相似性度量通常是欧几里德距离的倒数(欧氏距离),也就是说两者的距离越小表示两者的相似性越大,反之则相似性越小。这种算法具有简单、快速并且能够有效地处理大数据库的优点。 K-均值算法的基本思想是[4]：首先选取一批代表点（样本，在本文中是像素点）作为初始聚类中心。然后将样本（本文中是所有的像素）做初始分类（划分），即将每个像素标记为某一类。第三步是修改聚类，直到聚类准则函数值满足要求。 K-均值算法采用误差平方和准则函数[4]。具体的公式见参考文献。 4 算法实现 本算法是利用MATLAB编程实现的,这里只给出了算法的几个主要部分: (1)算法的主函数. %function y=kMeansCluster(m,k) %rgb=imshow(filename); %filename=f:\images\train\113044.jpg;%\test filename=d:\work\test\23084.jpg; [labL,labA,labB]=corelread(filename); m=[labL(:) labA(:) labB(:)]; k=2; loopnumber=0; [maxRow, maxCol]=size(m) if maxRow=k, y=[m, 1:maxRow] else for i=1:k c(i,:)=m(i,:); % sequential initialization end end temp=zeros(maxRow,1); % initialize as zero vector while 1, d=DistMatrix(m,c); % calculate ob