毕业设计（论文）：基于聚类分析的图像分割算法

基于聚类分析的图像分割算法答辩人：指导教师：背景及意义1、图像分割是图像处理的一个重要环节，广泛应用各计算机视觉领域，分割的准确性直接决定后续图像分析的质量，因此具有十分重要的意义。2、对聚类进行研究是数据挖掘中的一个热门方向，在不同的应用领域都得到了发展，作用巨大，意义深远。什么是图像分割？图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。常用的图像分割方法1.基于阈值的分割方法2.基于区域的分割方法3.基于边缘的分割方法基于阈值的分割方法1.确定合适的阈值（成功的关键）2.将图像的像素的灰度值跟阈值进行比较3.确定每个像素所属的类，再进行分类已有的阈值分割改进算法：最大熵法、基于图像统计阈值法、最小误差法、二维熵阈值法、改进的Otsu法等。优点：简单有效，计算代价小，速度快，尤其是图像的灰度区别大时，效果较好；缺点：有局限性，不考虑空间特性和纹理，只考虑像素本身取值，对噪声敏感，效果欠佳基于区域的分割方法基本形式：1.区域生长算法：先在每个区域内找一个种子像素，再将邻域中与种子像素相似的像素点合并到种子像素所在的集合。循环往复，直至没有像素可以被合并，算法停止。重要因素是种子像素、生长准则和终止条件。优点是计算速度快、复杂度低；缺点是在事先不知道具体情况，只能随机选择种子点和相似性准则，分割结果出错的可能性大大增加。2.分裂合并算法：先不停地将整个图像分成多个子区域，再将相邻的具有相似性的区域合在一起。优点是不含种子点，省去很多步骤；缺点是若达不到深像素级，分割精度就不高，若达到深像素级，合并的工作量增大，时间复杂度提升。3.分水岭算法：原理是洼地积水。优点是稳定性强；缺点是易分割过度。原理：将相同或相似性质的像素连起来得到新图像；优点：用像素的相似性和空间的邻接性，除去孤立噪声的干扰，深入至像素级，得到的结果较为准确。基于边缘的分割方法定义：最常见的是基于空域的梯度算子，一般用于灰度图像，利用不同的图像灰度不同、边界处一般有明显边缘的特征来分割图像。

优点：对边缘灰度值相差较大、噪声较小等简单的图像，效果较好；缺点：若有噪声，没有边界的地方会出现边缘，有边界的地方却不能出现边缘。聚类分析概述将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，流程图如下：对象间相似性度量聚类聚类评估对象选择聚类分析的集合对象表示

反馈控制

反馈控制聚类分析方法3.密度聚类算法:DBSCAN算法聚类算法总结1.聚类的数目未知，通常要经过不断的实验来获得合适的聚类数目2.提出将不同的聚类思想进行融合以形成新的聚类算法，从而综合利用不同聚类算法的优点3.提出基于最小生成树的聚类算法来提高效率，降低成本4.提出在高维空间挖掘映射聚类的方法PCKA来提高处理大规模数据和高维数据的能力5.目前的许多算法都只基于理论的某种假设之下，需要进一步提高处理现实数据的能力分割图像介绍1.灰度图像2.彩色图像3.纹理图像4.遥感图像玉树震区航空遥感图像地表纹理图像灰度图像彩色图像K均值聚类算法流程图K均值聚类算法仿真实验(a)图(a)中初始点是10个，聚类数为2，两个聚类中心的坐标分别是（2.9497，3.0504）和（5.8369，5.5232）；K均值聚类算法仿真实验(b)图(b)中初始点是20个，聚类数为2，两个聚类中心的坐标分别是（1.8902，2.0765）和（5.5703，5.5532）；K均值聚类算法仿真实验(c)图(c)中初始点是50个，聚类数为2，两个聚类中心的坐标分别是（2.7597，2.7010）和（5.6756，5.6720）K均值聚类算法仿真实验(d)图(d)中初始点是100个，聚类数为2，两个聚类中心的坐标分别是（2.6065，2.6815）和（5.6982，5.7667)彩色图像实验(a)(b)(c)(d)(a)原图像;(b)分割2类的图像;(c)分割3类的图像;(d)分割4类的图像医学影像介绍脑部x光片脑部MRI片脑部CT片怀孕四个月胎儿B超图医学影像实验(a)(b)

(a)患者初期肺部CT影像;(b)患者后期肺部CT影像病患资料为：41岁，女性患者，15年前因“感冒”体检发现左肺门处肿物，直径约2cm，可见钙化点，考虑良性可能，建议定期观察(a)(b)(c)(d)(a)患病初期肺部CT原图像;(b)分割2类的肺部CT图像;(c)分割3类的肺部CT图像;分割4类的肺部CT图像(a)(b)(c)(d)

(a)患病后期肺部CT原图像;(b)分割2类的肺部CT图像;(c)分割3类的肺部CT图像;分割4类的肺部CT图像总结

本文主要研究K均值聚类算法以及基于K均值聚类算法的图像分割，在此基础上分别做了彩色图像和医学图像分割的实验，通过实验结果分析K均值聚类算法以及基于K均值聚类算法的图像分割的优缺点。虽然说基于K均值聚类算法的医学影像分割实验有效且得到了一些结论，但是并不能确切定下最优聚类数目和分割数，同时也存在一些缺陷：1、由于实验条件和时间有限，对于基于K均值聚类算法的图像分割研究的广度和深度有限，目前本实验只是针对K均值聚类算法这一种方法进行的实验，使得实验结果只能局限于分析一种问题，通用性并不是很高。2、进行的实验比较单一，没有更多的实验来佐证算法的实用性，不适用于研究非常复杂的医学影像问题，且本实验中采用的是同一病患的同一部位的一组图片，没有进行不同患者不同部位不同病症的统一验证。因