基于改进的Ｋ－均值聚类图像分割算法.docVIP

基于改进的Ｋ－均值聚类图像分割算法 　　摘要：K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法，并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点，通过替换中心点，比较代价函数，来达到改进划分结果的目的。实验结果表明，该方法能有效改善聚类中心，提高分类精度和准确性。 　　关键词：图像分割；K-均值；聚类 　　中图分类号：TP311文献标识码：A 文章编号：1009-3044(2008)16-21275-02 　　Image Segmentation Based-on an Improved K-Means Clustering Algorithm 　　LIU Juan, MAN Jia-ju 　　(College of Mathematics and Computer Science, Hunan Normal University, Changsha 410081, China) 　　Abstract: K-Means clustering is a very popular clustering technique which is widely used in numerous applications. This paper presents an improved algorithm for K-Means, and applied it in image segmentation. For the disadvantage of K-Means to the outlier, we improved the result on replacing the centroids and comparing the criterion function. An inspection of the results shows that this method significantly outperformed the K-Means in image segmentation. 　　Key words: Image segmentation; K-Means; Clustering 　　 　　1 引言 　　图像分割是一种重要的图像分析工具，是从图像处理到图像分割的重要步骤，也是进一步图像理解的基础，在机器视觉、目标识别、医学图像处理中都有广泛的应用。传统的分割方法有阈值分割、边缘检测、基于区域的分割、基于形态学分水岭的分割[1]。近年来，随着各学科许多新理论和方法的提出，人们也提出了许多结合一些特定理论、方法和工具的分割技术[2]。 　　聚类是将数据对象分成类或簇的过程，使同一个簇中的对象之间具有很高的相似度，而不同簇中的对象高度相异。相异度根据描述对象的属性值评估，通常使用距离度量。聚类源于许多研究领域，包括数据挖掘、统计学、生物学和机器学习[3]。而图像分割恰好是将图像的像素集进行分类的问题，自然地将聚类分析用于图像之中[7,8]。 　　早在1979年，Coleman和Anderews提出用聚类算法进行图像分割。K-均值聚类[4]是聚类方法中一种无监督自适应算法，能通过迭代对给定的数据进行分类，[5]中通过基于粗糙集理论的算法求出初始聚类的数目和均值，能有效提高分类准确性。但K-均值算法对于离群点是敏感的，因为一个具有很大的极端值的对象可能显著地扭曲数据的分布。通过我们改进的K-均值算法，有效地消除了离群点对聚类结果的影响，提高了分类的精度。 　　2 K-均值聚类算法 　　2.1 数据集的c划分 　　设数据集X={x1,x2,…,xn}是聚类分析对象的全体(称为论域)，X中的每个对象xk(k=1,2, …,n) (称为样本)用有限个参数值来刻画，每个参数值刻画xk的某个特征。聚类分析就是分析论域X中n个样本所对应的模式向量的相似性，按照各样本间的亲疏关系，产生X的c划分。 　　数据集X的c划分得到的c个子集X1,X2, …,Xc如果满足下列条件，则称之为X的硬c划分： 　　 ■ 　　Xi∩Xj=Φ， 对于i≠j 　　Φ■Xi ■X， 对于所有i 　　2.2 K-均值聚类 　　K均值聚类算法[4]是聚类中硬c划分的一种，它以K为输入参数，把N个对象的集合分成K个簇，使得结果簇内的相似度高，而簇间的相似度低。簇的相似度是关于簇中对象的均值度量，可以看作簇的质心或重心。它的核心思想如下： 　　算法随机选择K个对象，每个对象代表一个簇的初始均值或中心。对剩余的每个对象，计算其与各个簇中心的距离，根据使距离指标的目标函数最小的原则将它划分到最相似的簇。然后重新计算各个簇的新均值，更新簇中心。这个过程不断重复，直到准则函数收敛。 　　假设要聚成K