数字图像分割.pptVIP

4 边界跟踪和区域生长 模糊C均值聚类算法 FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。 模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。 模糊C均值聚类算法 隶属度函数是表示一个对象x隶属于集合A的程度的函数，通常记做μA(x)，其自变量范围是所有可能属于集合A的对象（即集合A所在空间中的所有点），取值范围是[0,1]，即0=μA(x)=1。μA(x)=1表示x完全隶属于集合A，相当于传统集合概念上的x∈A。一个定义在空间X={x}上的隶属度函数就定义了一个模糊集合A，或者叫定义在论域X={x}上的模糊子集 。对于有限个对象x1，x2，……，xn模糊集合 可以表示为： 模糊C均值聚类算法 FCM的目标函数一般化形式： 这里uij介于0，1间；ci为模糊组I的聚类中心，dij=||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m1是一个加权指数 构造如下新的目标函数，可求得使上式达到最小值的必要条件： 这里?j，j=1到n，是n个约束式的拉格朗日乘子。对所有输入参量求导，使上式达到最小的必要条件为： 和 模糊C均值聚类算法 具体的算法如下： 确定聚类类别数c、加权指标m，任意置分类矩阵U(0) ； 依次取b=0,1,2,……； 根据U(b)和公式(1)计算Vi(b); 按如下方式更新U(b)为U(b+1) A、对k=1,……n，计算 B、计算数据xk的新隶属函数值：若Ik为空，按公式(2)计算uik；否则，对所有的 置uik=0，并取 。 C、比较U(b)和U(b+1)之间的差别，如果 ，则聚类结束；否则，置b=b+1并返回第3步。 模糊C均值聚类算法 * 缺图 * 缺图 * 缺图 * 缺图 * * 缺图 * * 缺图 2 区域分割技术 （2）平均边界梯度 原理：面积可以由周长乘以径长逼近。 2 区域分割技术 （3）一般形状物体边缘检测的4种方法 在直方图的局部极小值选取阈值T； 依据H-等价在CSS轮廓函数中的转折点选取T； 依据p-等价在CSS轮廓函数中的转折点选取T； 选择使平均边界梯度最大的T； 3 梯度分割技术 1）微分算子边缘检测 2）边界闭合 3）边缘拟合 4）Hough变换 3 梯度分割技术 1）微分算子边缘检测 梯度算子 拉普拉斯算子 Marr算子 Canny算子 3 梯度分割技术 2）边界闭合 原因：在有噪声时，边缘算子得到的边缘往往是孤立的或分段不连续的。且有些是真正的边界象素，有些是噪声点。 目的：为使图像中不同区域分开，需要将边缘象素连接起来组成区域的封闭边界。 方法： 1）利用边缘象素梯度的相似性； 2）利用形态学的闭运算。 3 梯度分割技术 利用边缘象素梯度的相似性 注意：当邻域较小时，则不是所有边界都能闭合。此方法对复杂图像效果较差。 3 梯度分割技术 3）边缘拟合 思想：若边缘点很稀疏，则需要用某个解析函数如分段线性或高阶样条曲线来拟合边缘。称为边缘拟合。 方法：常根据图像一小块区域来建立拟合模型。 常用方法有： （1）迭代端点拟合的分段线性方法； （2）灰度阶跃边缘模型； （3）灰度渐变边缘模型等。 3 梯度分割技术 （1）迭代端点拟合（iterative endpoint fitting） 3 梯度分割技术 3 梯度分割技术 （2）灰度阶跃边缘模型 3 梯度分割技术 3 梯度分割技术 （3）灰度渐变边缘模型 3 梯度分割技术 3 梯度分割技术 3 梯度分割技术 4）Hough变换 目的：检测图像中某些给定形状的曲线并用参数方程描绘。并较少受曲线中断点的影响。 思想：Hough变换是对图像进行坐标变换，使之在另一个坐标空间的特定位置出现峰值。 原理：点-线的对偶性（duality）。 3 梯度分割技术 3 梯度分割技术 3 梯度分割技术 计算方法 3 梯度分割技术 极坐标方法 原因：上一方法在直线接近垂直时，A累加数组变得很大。 方法：采用极坐标方法。 3 梯度分割技术 4 边界跟踪和区域生长 1）边界跟踪 2）区域生长 4 边界跟踪和区域生长 1）边界跟踪 目的：要求目标轮廓边界细、连续无间断、准确。 边界跟踪（boundary tracking）或边缘点连接（edge point linking）的思想是：由图像梯度出发，依次搜索并连接相邻边缘点从而逐步检测出边界。 4 边界跟踪和区域生长 边界跟踪的三个基本步骤： （1）确定作为搜索起点的边缘点； （2）确定和采用一种合适的搜