基于聚类的彩色图像分割的研究和改进.docVIP

基于聚类的彩色图像分割的研究和改进 　　摘要：随着计算机网络和多媒体技术的发展，基于色彩、基于纹理的图像技术成为多媒体技术的一大热点，彩色图像分割是其中的最关键的技术之一。该文从自适应的模糊聚类技术入手，并且结合了ReliefF技术进行特征加权来分解图像，改进FCM算法应用，为彩色图像分割提供了可行的理论基础。 　　关键词：图像分割；模糊聚类；特征加权 　　中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)28-6948-03 　　The Image with Color of the Research and Improve Based on the Clustering 　　WANG Jiang-tao1,2 　　(1.College of Computer Science and Technology, Huaqiao University, Quanzhou 362021, China; 2.College of Computer and Information, Yangen University, Quanzhou 362014, China) 　　Abstract: With computer networks and multimedia technology development based on the basis of colour, texture image technology to be a multimedia technology a big event, the image with color of the division is one of the key technology. From the vague to gather such technology, and combines Relieff technology for the broken images, characterized by improving fcm algorithms used for colour image division offers the possibility of a theoretical foundation. 　　Key words: images cut; vague clustering; characteristics of the weighted 　　近年来，基于内容、基于色彩以及基于纹理的图像技术成为多媒体数据库技术研究的热点，而最基础的技术也就是彩色图像的分割。对于彩色图像分割最简单的方法是将彩色图像转化为灰度图像，然后采用灰度图像分割。这种技术忽略了图像的颜色信息和亮度信息之间的关联，分割效果并不理想。 　　在聚类分析方法中最常用的就是“C-均值算法”。到目前为止，采用聚类的彩色图像分割技术都是基于RGB空间的，而采用RGB颜色空间进行颜色分割存在一个重要的缺陷，该颜色空间的颜色分量和人类的视觉不一致。一般的彩色图像颜色聚类都是发生在三维空间，L.Lucchese和S.K.Mitra等人提出了一个在二维空间进行聚类的新的方法。该方法的工作原理如下：“它首先在包含色度信息的2D空间找聚类，接下来在1D亮度空间用适当的聚类与之发生关联，从而生成最终的聚类”。该方法在聚类时采用了C-均值算法，整个聚类过程只需迭代一次。而且该方法在进行聚类时不必事先知道聚类数量。是一种自适应的C-均值算法。该方法依赖于两个参数：类内平均距离和类间平均距离，由于不同的图像在色度图中点的分布不同，因而不可能设置对任何图像都适用的参数。 　　1 自适应模糊聚类算法 　　1.1 模糊C均值聚类 　　聚类(clustering)的定义：是将一个数据集分割为若干组(group)或类(cluster)的过程，要求属于同一个组内的数据拥有较高的相似度，同时要求属于不同组的数据对象的相似度较低。在聚类过程中相似或不相似的度量是根据给出的度量函数对于数据对象的取值来确定，普遍的做法是根据各个数据对象之间的欧几里德距离来描述的。“将一个数据集中的数据对象，通过统一的相似度度量函数，根据度量函数的取值，把这个数据集分为若干组，相似度高的对象构成一组，我们把这一过程”就称为聚类过程。一个组由彼此之间的相似度较高的对象构成的，而不同组的对象之间的相似度要么不相似，要么它们之间的相似度较低，聚类算法的目的就是在一个给定的数据集合中找出这些数据对象之间所存在的有价值联系。 　　1.1.1 模糊集基本知识 　　在讨论模糊集之前，首先说明一下什么是隶属度函数。隶属度函数的定义：“它表示一个数据对象x隶属于一个集合A的程度的函数”，通常记作μA(x)，该函数的自变量范