圖像分割是一種重要的預(yù)處理技術(shù),被廣泛地應(yīng)用于計(jì)算機(jī)視覺(jué)的各個(gè)領(lǐng)域。隨著人工智能的發(fā)展對(duì)圖像研究方法的需求量在不斷增加,各類(lèi)圖像分割方法層出不窮,其中基于聚類(lèi)的圖像分割方法由于思想簡(jiǎn)單,得到了研究者極高的重視。因此論文在前人研究的基礎(chǔ)上結(jié)合密度峰值聚類(lèi)的優(yōu)勢(shì)提出了新的圖像分割算法。論文主要內(nèi)容包括:1.論文提出基于密度峰值聚類(lèi)的圖像分割算法。論文首先針對(duì)傳統(tǒng)的密度峰值聚類(lèi)的截?cái)嗑嚯x依據(jù)經(jīng)驗(yàn)取值以及其聚類(lèi)中心靠人工選取的弊端,提出了改進(jìn)的密度峰值聚類(lèi)方法:通過(guò)引入信息熵來(lái)獲得自適應(yīng)的截?cái)嗑嚯x,同時(shí)根據(jù)斜率來(lái)自動(dòng)選取聚類(lèi)中心。然后,將改進(jìn)的密度峰值聚類(lèi)算法應(yīng)用到彩色圖像分割上。該方法首先將圖像的像素點(diǎn)作為密度峰值聚類(lèi)的數(shù)據(jù)輸入,通過(guò)密度峰值聚類(lèi)處理后,將聚類(lèi)產(chǎn)生的子集用不同的顏色標(biāo)示,然后尋找目標(biāo)對(duì)應(yīng)的子集并展示從而實(shí)現(xiàn)圖像分割。最后,實(shí)驗(yàn)驗(yàn)證了該方法的可行性。2.針對(duì)在基于密度峰值聚類(lèi)的圖像分割算法中分割圖片時(shí)間開(kāi)銷(xiāo)大的問(wèn)題,論文提出了基于網(wǎng)格和密度峰值聚類(lèi)的圖像分割算法。網(wǎng)格可以在一定程度上將大數(shù)據(jù)量轉(zhuǎn)換為小數(shù)據(jù)量。該方法將網(wǎng)格思想應(yīng)用于圖像分割的預(yù)處理部分,首先將圖像進(jìn)行規(guī)則化的網(wǎng)格... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

數(shù)據(jù)分布圖

17圖 2.2 決策圖中得到聚類(lèi)中心后，對(duì)于其他非聚類(lèi)中心的樣本點(diǎn)按序依次將其劃分到密度更高且距離最近的聚類(lèi)中，得到法具有優(yōu)良的性能，但也存在如下不足：1)度量樣本密果的不同；2)局部密度的大小易受截?cái)嗑嚯x的影響；3)連帶錯(cuò)誤，即一個(gè)樣本的分配錯(cuò)誤，會(huì)導(dǎo)致一系列分配理論中，信息熵經(jīng)常作為一種度量系統(tǒng)不確定性的度量方屬性取值的不確定性程度越大，表明系統(tǒng)越混亂，在該

思路直觀明快，容易理解 時(shí)間復(fù)雜度高DPC 極其容易受到截?cái)嗑嚯x dc的影響，在聚類(lèi)時(shí)截?cái)嗑嚯x dc取得過(guò)大或者小都會(huì)影響聚類(lèi)效果。在極端的情況下，如果 dc小于樣本點(diǎn)間的最小距離時(shí)，個(gè)數(shù)據(jù)點(diǎn)單獨(dú)是一類(lèi)；而如果 dc大于樣本點(diǎn)間最大距離，整個(gè)數(shù)據(jù)集為一類(lèi)。獻(xiàn)[47]建議選取將樣本點(diǎn)根據(jù)距離升序排列后的前 2%處樣本點(diǎn)的距離。在真實(shí)據(jù)集上 DPC 按照該原則來(lái)選取的 dc聚類(lèi)效果可能不夠好。將密度峰值聚類(lèi)局部度和相對(duì)距離分別為橫軸和豎軸畫(huà)出決策圖，一般人工選取局部密度和相對(duì)距較大的點(diǎn)作為聚類(lèi)中心，這種選取聚類(lèi)中心的方法很容易造成中心選取失效。真實(shí)數(shù)據(jù)集上，DPC 的這兩種弊端較易造成聚類(lèi)效果差。圖 3.1 為真實(shí)數(shù)據(jù)集截?cái)嗑嚯x選取 2%時(shí)的錯(cuò)誤聚類(lèi)效果展示。在圖 3.1 中明顯可惜觀察出傳統(tǒng)的 D有將明顯是一類(lèi)數(shù)據(jù)錯(cuò)誤的劃分為了兩類(lèi)，聚類(lèi)邊界交叉，數(shù)據(jù)混亂等弊端。


本文編號(hào)：2994302