圖像分割是圖像理解和分析的第一步,與我們的生活息息相關(guān),對我們的生活產(chǎn)生著越來越深刻的影響。隨著計算機技術(shù)的不斷發(fā)展,圖像分割也呈現(xiàn)出全新的面貌。因此,對于圖像分割方法的研究,使其更好的服務于人們的生活具有深遠的意義。圖像分割的方法多種多樣,每種方法都有自己所適合的場景或圖像類型,對于特定的圖像選擇特定的方法很有必要。模糊C均值（Fuzzy C-means,FCM）算法由于其簡單,易于理解,局部搜索能力強等特點受到了人們的廣泛關(guān)注。但是,FCM算法也存在一定的缺陷或不足,傳統(tǒng)的FCM算法是基于圖像像素的灰度進行劃分的,具有一定的不合理性。在圖像分割的精度、分割的質(zhì)量以及人們的視覺效果等方面往往與人們的預期存在很大的差異。而且由于該方法對噪聲比較敏感,容易受初始值的影響,使得算法容易收斂到局部極值,造成算法的性能降低,圖像分割的效果變差。針對FCM圖像分割方法存在的一些問題,本文結(jié)合了一些其它方法對FCM進行了改進,并應用于圖像分割領(lǐng)域中檢驗算法的性能,使得算法的性能更好,圖像分割的效果更優(yōu),論文的主要工作有:1.結(jié)合馬爾可夫模型改進FCM圖像分割算法。由于馬爾可夫模型能夠很好的表示圖像... 

【文章來源】：蘭州理工大學甘肅省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

腦MRI圖像分割好的分割結(jié)果有助于后續(xù)的圖像分析與識別，有助于圖像特征的提取、描述、

工程碩士學位論文21較來看，F(xiàn)CM算法的聚類中心與理想分割的聚類中心相差較遠。從分割圖像的視覺效果以及相關(guān)評價指標的具體數(shù)值來看，PFCM算法的分割效果較好，具有較強的抗噪能力。表3.1合成圖像1分割結(jié)果比較算法聚類中心VpcVpeFCM93.902449,171.426568,13.057821,244.2450320.8330290.142282FCM-σ13.057820,93.902437,171.426565,244.2450340.8330200.142224FLICM88.462808,12.430199,244.601504,172.1998130.8764570.113506ARKFCM84.109596,165.549695,178.949834,244.4980580.8071670.158771PFCM91.261614,174.658648,14.890689,245.0974180.8980040.094855為了更進一步檢測算法的抗噪性能和圖像分割能力，在如圖3.6(a)的人工合成圖像2(synthetic:256*256)中加入0.01的椒鹽噪聲，被噪聲污染后的圖像如圖3.6(b)所示，取聚類數(shù)目c=4。分割后的圖像和數(shù)據(jù)如圖3.7和表3.2所示。(a)原圖(b)椒鹽圖像圖3.6合成圖像2(a)FCM(b)FCM-σ(c)FLICM(d)ARKFCM(e)PFCM圖3.7各算法合成圖像2分割結(jié)果圖表3.2合成圖像2分割結(jié)果比較算法聚類中心VpcVpeFCM0.333458,0.666733,0.005542,0.9954000.9841460.017077FCM-σ169.992052,253.677234,84.993101,1.4300210.9848420.016446FLICM253.586168,1.473312,170.330204,84.6462640.9617020.033342ARKFCM83.851906,169.634808,229.731519,252.8068180.8395500.135027PFCM170.000000,0.000000,255.000000,85.0000000.9997690.000545從分割后的圖像及相關(guān)的數(shù)據(jù)可以看出，該算法的抗噪能力仍優(yōu)于對比算法。雖然在最終的分割結(jié)果中仍然有一定的噪聲，但噪聲點明顯少于FCM算法和

工程碩士學位論文23果仍然優(yōu)于對比算法。對于墻面的分割中，F(xiàn)CM算法和FCM-σ算法分割圖像中含有較多的噪聲，且評價指標低于對比算法。雖然FLICM算法圖像分割的效果比較平滑，但分割后的圖像中仍存在較明顯的噪聲點，在處理異常值時容易產(chǎn)生誤判。ARKFCM算法則在分割屋檐時將屋檐與墻面劃分為整體，分割效果差。PFCM算法整體來看仍優(yōu)于比較算法，該方法對墻體的分割效果較好，具有很好的抗噪聲能力，其評價指標高于對比算法約3~4個百分點，整體性能較好，算法的性能較為穩(wěn)定。為了更進一步檢測算法對噪聲的抑制能力，并檢測隨著噪聲的增大，圖像分割效果的好壞以及相關(guān)評價指標的變化情況。在圖3.8(a)的自然圖像中依次加入噪聲水平為0.001，0.003，0.005，0.007的椒鹽噪聲檢驗算法在不同噪聲水平下的分割效果。加入噪聲后的圖像如圖3.10的各子圖所示。(a)0.001椒鹽噪聲(b)0.003椒鹽噪聲(c)0.005椒鹽噪聲(d)0.007椒鹽噪聲圖3.10自然圖像的各種噪聲圖像表3.4表示的是各算法在不同噪聲下的相關(guān)評價指標。表3.4不同噪聲下的評價指標算法評價指標0.001噪聲0.003噪聲0.005噪聲0.007噪聲FCMVpc0.8714790.8660290.8614920.833631Vpe0.1129650.1175320.1212780.138737FCM-σVpc0.8540350.8477720.8347320.835104Vpe0.1260240.1309650.1374090.141243FLICMVpc0.8742590.8686770.8394310.855197Vpe0.1093140.1141140.1342270.125422ARKFCMVpc0.8711880.8687930.8352460.826880Vpe0.1100740.1118880.1420990.148057PFCMVpc0.8846270.8800640.8752360.865923Vpe0.0992090.1033800.1073810.114874為了更清楚的表示算法對噪聲的抗干擾能力，畫出了劃分系數(shù)和劃分熵的折線圖如圖3.11所示。

【參考文獻】：
期刊論文
[1]核空間自適應抑制式直覺模糊圖像分割算法[J]. 林洋,蘭蓉.  計算機工程與設計. 2019(08)
[2]基于新型閾值選擇方法的變電站紅外圖像分割[J]. 趙慶生,王雨瀅,王旭平,郭尊.  光學學報. 2019(08)
[3]聯(lián)合K-means和形態(tài)學算子的圖像邊緣檢測[J]. 王益艷,于貴.  艦船電子工程. 2019(07)
[4]基于獅群優(yōu)化的FCM圖像分割算法研究[J]. 韓濤,黃友銳,徐善永,許家昌,周寧亞.  山東農(nóng)業(yè)工程學院學報. 2019(07)
[5]基于形態(tài)學和區(qū)域生長法的醫(yī)學圖像分割[J]. 范群貞,吳浩,林真.  機電技術(shù). 2019(03)
[6]基于優(yōu)化BP神經(jīng)網(wǎng)絡的圖像分割實現(xiàn)[J]. 魏光杏,周獻中.  佳木斯大學學報(自然科學版). 2019(03)
[7]基于聚類分析的烏梁素海水質(zhì)因子研究[J]. 岳程鵬,李興.  人民黃河. 2019(05)
[8]基于遺傳算法和模糊C均值聚類的WSN分簇路由算法[J]. 董發(fā)志,丁洪偉,楊志軍,熊成彪,張穎婕.  計算機應用. 2019(08)
[9]形態(tài)學邊緣檢測和區(qū)域生長相結(jié)合的遙感圖像水體分割[J]. 王小鵬,文昊天,王偉,馬鵬,王陽萍.  測繪科學技術(shù)學報. 2019(02)
[10]自適應魯棒圖形模糊聚類分割算法[J]. 吳成茂,孫佳美.  華中科技大學學報(自然科學版). 2019(04)

碩士論文
[1]腦圖像的分割與特征識別算法研究[D]. 潘宏亮.長春工業(yè)大學 2018
[2]基于模糊聚類的圖像分割方法[D]. 夏志巍.南京信息工程大學 2018
[3]基于改進的FCM遙感圖像聚類算法的研究與應用[D]. 張景柯.南京信息工程大學 2017
[4]基于模糊聚類的圖像分割方法的研究[D]. 謝德武.電子科技大學 2017
[5]一種改進的自適應加權(quán)中值去噪算法的研究[D]. 王松林.武漢科技大學 2016
[6]基于GA優(yōu)化的核模糊C均值聚類算法的研究[D]. 黃白梅.武漢科技大學 2013
[7]基因芯片數(shù)據(jù)分析方法比較[D]. 單文娟.南京林業(yè)大學 2008



本文編號：3211899