论文部分内容阅读
图像分割是图像处理的一个重要工具,一个有效的、前端的、复杂的算法。它能够简化对图像的后续处理,并在视频和计算机视觉方面都有应用,如目标定位或识别、数据压缩、跟踪、图像检索等等。虽然大量的图像分割算法已被广大研究者提出并改进,但是没有人提出一种完美的,适合于任何一种图像的分割算法,现有的方法都多少存在着方法或算法上的不足。因此到目前为止,图像分割作为一个重要工具的同时,仍然是图像处理领域的一个具有挑战性的难题。当前,对基于像素级、多特征、多种分割算法相结合的分割方法的研究,已经成为图像分割领域的热点。通过认真总结,本文对模糊聚类算法和优于传统机器学习的支持向量机方法,从理论和实验结果等方面都进行了全面系统的比较和分析。通过像素颜色,纹理等特征来描述图像的具体信息,并结合模糊C均值聚类(FCM,Fuzzy C-Means)算法和支持向量机(SVM)的方法展开实验,主要任务如下:1.本文对模糊聚类算法特别是模糊C均值聚类(FCM,Fuzzy C-Means)分割算法进行细致深入的研究探讨,并认真研究了模糊聚类图像分割算法中初始聚类类别数目的确定、初始聚类中心和隶属度函数的选择。2.以模糊C均值聚类(FCM,Fuzzy C-Means)理论为基础,提出了一种结合laws纹理测度与自适应阈值的FCM聚类算法对图像进行分割。通过大量实验对比表明,该算法与人的视觉感知系统一致性好,对噪声有良好的抑制效果,节省实验过程中程序运行的时间,提高图像分割速度。3.通过核函数类型、核参数、惩罚因子等因素,对采用支持向量机(SVM)进行图像分割的方法的可行性进行了分析、研究,提出了一种基于无监督的支持向量机分类算法,为使用支持向量机方法(SVM)进行图像分割提供了依据。4.在对多种图像分割算法研究的基础上,提出基于像素的彩色图像分割算法,分别利用同质性,Gabor滤波器方法提取图像的颜色和纹理特征,使用优于传统机器学习的支持向量机(SVM)分类。实验结果表明,该方法有非常好的计算性能和功效,并降低了分割时间,与最近的研究结果相比,提高了彩色图像的分割质量。