基于模糊聚类图像分割算法的研究.pdf

西安电子科技大学
学位论文独创性(或创新性)声明
本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我
所知,除了文中特别加以标注和致谢中所罗列的内容以外,论文中不包含其他人已经发表或
撰写过的研究成果;也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用
过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表
示了谢意。
申请学位论文与资料若有不实之处,本人承担一切相关责任。

本人签名: 日期



西安电子科技大学
关于论文使用授权的说明
本人完全了解西安电子科技大学有关保留和使用学位论文的规定,即:研究生在校攻读
学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业离校后,发表的论文
与本论文工作成果有关时署名单位仍然为西安电子科技大学。学校有权保留送交论文的复印
件,允许查阅和借阅论文;学校可以公布论文的全部或部分内容,可以允许采用影印、缩印
或其它复制手段保存论文。(保密的论文在解密后遵守此规定)
本人授权西安电子科技大学图书馆保存学位论文,并同意将论文在互联网上发布。


本人签名: 日期

导师签名: 日期
摘要
图像分割就是将感兴趣的目标从背景中提取出来的过程,它是图像处理到图
像分析的一个重要步骤,在图像工程中占有十分重要的位置。图像分割已经广泛
应用于计算机视觉、模式识别等许多领域。对图像分割的研究具有非常重要的意
义。
由于图像本身存在不确定性和复杂性,模糊聚类分析能够很好地描述这种问
题,因此将模糊聚类分析用于图像分割具有很好的效果。在众多的模糊聚类分析
方法中,模糊 C 均值(Fuzzy C-Means,FCM)聚类算法是一种比较经典的算法,
已经得到了广泛深入的研究。FCM 算法不仅避免了阈值的设定,适合于处理模糊
和不确定的问题。而且是一种无监督的聚类算法,不需要人工干预,适合于自动
分割。因此,采用 FCM 聚类算法进行图像分割已经成为一个研究的主要方向。
本文针对模糊 C 均值聚类算法在图像分割应用方面存在的一些问题进行了改进:
首先,由于传统的模糊 C 均值聚类算法没有很好利用图像自身的空间信息,
导致其对噪声十分敏感。针对这个问题,我们结合非局部均值的思想,利用图像
自身的结构空间信息,提出了一种基于非局部的模糊 C 均值图像分割算法。该算
法充分的利用了图像的空间信息,有效拟制噪声对分割结果的影响。该算法对不
同噪声下不同图像的分割结果表明,该方法具有更好的分割结果。
其次,传统模糊 C 均值图像分割算法在决定每个像素点的类标时,只是简单
的利用单个像素点和聚类中心的差异来决定,没有很好的分析其邻域像素点的类
标,在聚类中心更新时,用到了所有的像素点,这必然会导致聚类中心的偏移。
基于以上问题,我们利用主成分分析得思想,合理的利用邻域信息,来确定每个
像素点的类标;然后再利用粗糙集的思想,在每个聚类中心更新时,利用在这一
类中的像素集合和处于这一类中心边缘的像素集合,提出了基于局部 PCA 和粗糙
集的模糊 C 均值聚类算法。通过实验结果分析,该算法的分割结果优于其它对比
算法。
关键词:图像分割,模糊聚类,非局部,粗糙集
Abstract III

Abstract
Image segmentation is the process of extracting the interested target from
background, it is a key step from image processing to image analysis and a very
important position in image engineering. Image segmentation has been widely used in
computer vision, pattern recognition and many other areas. The research of image
segmentation has a very important significance.
Due to the image exists uncertainty plexity, fuzzy clustering analysis can
well describe this problem, so the fuzzy cluster analysis used in image segmentation
has the v