聚类分析的报告及其在图像处理上地应用.docVIP

实用标准 聚类分析及其在图像处理上的应用 1 绪论 性对聚类簇进行描述 , 即同类内数据 1.1 基于聚类的图像处理的研究现状 对象间应该彼此相似 , 不同类间的数 聚类分析在图像处理中 应用广 据对象应该不相似 [3 。在给出聚类的数 泛，其中一项重要的应用就是图像分 学描述之前 , 首先介绍与聚类有关的 割。图像分割多年来一直受到人们的 一辟术语和数学表达方法。 高度重视，各种类型的分割算法相继 被提出。虽然人们在图像分割方面做 样本 : 指要进行聚类的数据集中的单 了许多工作，但是至今仍没有通用的 个数据。样本一般是一个多维向量 , 向 分割算法，也不存在一个客观的评价 量的每个分量可以是数值型或者名词 准则。大多数分割算法都是针对一种 型的数据 , 一般称为特征或者属性。 具体类型的图像提出的很难适用于所 有图像。实际上由于各个领域的图像 样本集 : 或称数据集 , 是由单个样本所 千差万别，也很难提出万能的分割算 组成的集合 , 即是需要聚类操作的数 法。基于聚类的图像分割方法是图像 据整体 , 通常表示为一个矩阵。 分割领域中一类非常重要且应用广泛 的算法。 相异度矩阵 : 该矩阵中的每个元素表 $样本集中的每对样本之间的相异程 2 聚类分析概述 度, 一般是非负值。 2.1 聚类的定义 聚类的目的是将有限个无标注数 相似度矩阵 : 该矩阵中的每个元素表 据划分到有限个离散的组或类中 , 发 小 ?样本集中的每对样本之间的相似 现数据 程度 , 一般是非负值。 隐藏的内部结构。 Backer 和 Jain [1] 指 出数据的划分是依赖于所选择的相似 类: 或称簇 , 指通过聚类而形成的一组 , 性度量的 , 通过主观地选择相似性度 同一类中的样本具有相似的特征。通 量来达到有的的划分。至今 , 人们并没 常用 C或 K 表示类的个数。 有对聚类给出一个统一的定义。多数 研究者都是从内部同质性和外部可分 类原型 : 能够代表某个类性质的数据 文档大全 实用标准 兀 , 可以是某类样本中的一个样本 , 或者是某类样本的一个加权值 , 也可以是能描述一个类特征的向量。 划分矩阵 [U] n*K: 矩阵中的每个元素表示每个样本属于各个类的模糊隶属度 ,且 ,在此 〖表 ?样本标号 ,k 表类标标号。 1.2 聚类的数据类型 通常获得的数据类型有两种 : 一是数据矩阵 , 二是相异度矩阵 ( 相似度矩 阵 ) 。 假 定 数 据 集 中 有 n 个 样 本 : x i ,i=1,2,....,n, 每个样本有 p 个变 量 ( 特征属性 ), 则这 n 个样本可表示成 n*p(n 个样本 xp 个变量 ) 的数据矩阵。 (2-1) 其中每个对象对应为一个 p 维向量 : (2-2) 相异度矩阵存储的是 n 个样本两两之 问的相界度 , 表现形式足一个 n*n 维的 矩阵。  (2-3) 在这里 d(i,j) 是样本 i 和样本 j 之间 相异性的量化表示 , 通常是一个非负 的数值 , 当样本 i 和样本 j 越相似， d(i,j) 的值就越接近 0；反之 , 两个样 本越不相似 , 的 值就越大。d(i,j) = d(j, i), 且 d(i,j) 0, 因此得到形如 (2-3) 的矩阵。 图像数据的表示 日常应用中得到的图像一般分为两 类：灰度图像和彩色图像。灰度图像 的数值表示为一个二维矩阵 [I] m*n 图像 一共包含 m*n个像素。在此，m和 n 分 别代表图像的高和宽， (ij) 表示位于 第 i 行和第 j 列的像素， I ij 表示其灰度值。彩色图像的数值表示为一个三 维矩阵 [I] m*n*3，像素的个数仍为 m×n， 3 表示三个颜色通道， 每一层的二维矩 阵表示该图像在某一个颜色通道的数 值。位于位置 (i,j) 的像素对应的 颜 色 特 征 向 量 表 示 为 [I(i,j,1),I(i,j,2),I(i,j,3)] 。 文档大全 实用标准 在许多情况下 , 色彩是描述一幅图像最简单有效的特征 , 而且人眼对色彩的分辨率大大高于对灰度图像的分辨 率 , 因此彩色图像所携带的信息远远大于灰度图像。一般的图像处理技术 最先应用于灰度图像 , 然后发展到彩色图像 , 图像分割也不列外。颜色特征可以来自于不同的颜色空间 , 不同的颜色空间以不同的方式对图像颜色进行描述。一共有四种不同的颜色空间：RGB颜色空间、 XYZ颜色空间、 HIS 颜色空间、 Lab 颜色空间。 RGB颜色空间是基本的颜色空间 ,RGB对应于红 (R) 、 绿 (G) 、蓝(B) 三种基色 , 其余所有颜色空间都可由 RGB颜色空间经过线性或非线性变换得出的。 给定一幅待分割的图像 , 我们可 以直接获