8 第五章 图像分割PPT.ppt

影响C-均值算法性能的一些因素： （1）聚类中心的个数 （2）初始聚类中心的选取 （3）输入数据几何性质 需要对C聚类数目、初始参数做些实验选取。 尽管对算法的收敛性没有形式的证明，如果数据性质符合以最小距离作为相似性测度所做的假设，这种算法就会得到预期的良好效果。 5.5.2 ISODATA算法 Iterative Self-Organizing data Analysis ISODATA算法是统计模式识别中非监督动态聚类算法中的一种。通过设定初始聚类中心和聚类数，定义相似度准则函数将全部样本调整完毕后重新计算样本均值作为新的聚类中心；在调整样本过程中完成聚类分析，动态地进行类的合并和分裂，从而得到类数比较合理的各个聚类。 参数定义 K: 期望得到的聚类数 θn: 一个聚类中最少样本数 θs : 标准偏差参数 θc : 类间合并参数 L: 每次迭代允许合并的最大聚类对数 α：分裂时的加权项 IMAX: 允许迭代的次数 设置控制参数 K, θn,θs,θc,α,L,Imax 设初始聚类数C,初始聚类中心Wi i=1,2,…,C 循环计数器 I=0 按近邻法对样本分类 舍弃样本数过少的小聚类: 计算(1) 聚类中心; (2) 类内平均距离: (3) 全部样本总平均距离: D E F F B A F yes no 计算各类样本标准差: d: x向量之维数 : 第k个样本的第j个分量 Wij:第i类中心的第j个分量 找出各类最大的标准差分量: A C B 对每个聚类 分裂(Splitting) 将Ri 分成两个新类, 中心分别为 c=c+1 分裂步骤: 给定设计参数 α, 0α ?1, 令 Ri中ni个样本按 分成两类 no yes B C 对所有类,计算两两之间的距离; 对 的按升序排列 逐对合并,计算新的聚类中心 ( Lumping ) 每合并一对, c=c-1, 共合并l 对. E D C I = I+1 yes yes no no I ? Imax 调整参数 END ISODATA算法： 第1步:将样本按照最近邻准则，分到每个聚类中去，并舍去样本数目过少的聚类； 第2步:计算各类参数：聚合中心 、类内平均距离 、类内总平均距离 ； 第3步:若是偶数次迭代或分类数大于期望分类数的2倍，则转向第6步； 第4步:对每个聚类j求出具有最大标准偏差的分量 ，若 大于规定值且有 （1） 且类内样本数2x(规定类内最少样本数+1), 或 （2）分类数（期望分类数/2）, 则将其分裂为两个新的聚类,转向第2步。 第5步:对所有聚类中心，计算两两之间的距离 。将小于指定值的前k个 从小到大排列，k是每次迭代可允许合并的最大聚类对数。从最小的 开始，依次合并 和 ，且每个聚类只允许被合并一次； 第6步:若迭代超过最大迭代次数，则终止。否，若需改变参数，则转第1步，否则转第2步。 5.6 微分算子边缘检测 图像分割的一个重要手段就是利用边缘检测技术。这种分割方法是基于物体与背景之间在灰度（或纹理）特性上存在着某种不连续性（或突变性）。边缘是指它的两侧分属于两个区域，每个区域内部的特性相对比较均匀一致，而两个区域之间在特性上则存在一定差异。图像区域的边界（或称轮廓）是指包围着连通区域的一条封闭的边缘曲线。 5.6 微分算子边缘检测 边缘检测： 基于物体与背景之间在灰度（或纹理）特性上存在着某种不连续性（或突变性）。边缘是指它的两侧分属于两个区域，每个区域特性相对比较均匀一致，而两个区域之间在特性上则存在一定差异。左图是用一阶导数和二阶导数检测均匀灰度分布图像边缘的示例。 圆形区域边缘灰度变化及导数 5.6 微分算子边缘检测 5.6.1灰度梯度及Prewitt模板 当图像微分运算后，每个像素处有一梯度值反映该点边缘强度。 灰度梯度由幅值和方向两个因素构成。 方向： 幅值： 对于数字化离散图像，可用差分代替微分。在左图中, 也可表示为： 利用梯度算子也可以得到二值分割图像： 这里, tH 是域值。域值的选取是面向问题的。 一阶差分梯度算子： 5.6.1灰度梯度及Prewitt模板 医学图像中大部分梯度算子可以用卷积运算，也就是局部像素灰度加权和来实现。权系数以与图像中局部邻域对应的数值数组形式列出，也称作模板、窗口或卷积核。当对图像采用边缘检测模板卷积运算后，该值也反映此像点的边缘强度。 边缘强度： 这里，p是选用模板的序号。 f(x,