題-1_100_100.jpg)
基本信息
- 項(xiàng)目名稱(chēng)：
- 一種改進(jìn)的基于半模糊聚類(lèi)的圖像分割方法
- 來(lái)源：
- 第十二屆“挑戰(zhàn)杯”省賽作品
- 小類(lèi)：
- 信息技術(shù)
- 大類(lèi)：
- 自然科學(xué)類(lèi)學(xué)術(shù)論文
- 簡(jiǎn)介：
- 介紹了原ESFCM圖像分割算法，然后針對(duì)原算法存在的初始類(lèi)劃分誤差大、計(jì)算復(fù)雜度高、抗噪聲能力差三個(gè)方面的不足，分別從邊緣閉合和重新定義空間距離兩個(gè)方面入手，提出了基于生長(zhǎng)/退化的邊緣連接算法；用重新定義的模糊距離替代了原算法中用到的物理距離。最后本論文還從計(jì)算復(fù)雜度、抗噪聲能力兩個(gè)方面將改進(jìn)前、后的算法做了定量的對(duì)比和分析。
- 詳細(xì)介紹：
- 圖像分割是圖像理解、智能控制的基礎(chǔ)和前提，圖像分割算法性能的優(yōu)劣直接關(guān)系到整個(gè)圖像工程應(yīng)用系統(tǒng)的性能。 本論文首先詳細(xì)介紹了原ESFCM（Edge-based Semi-Fuzzy C-means Clustering Method）圖像分割算法，然后針對(duì)原算法存在的初始類(lèi)劃分誤差大、計(jì)算復(fù)雜度高、抗噪聲能力差三個(gè)方面的不足，分別從邊緣閉合和重新定義空間距離兩個(gè)方面入手，提出了改進(jìn)的ESFCM算法，即針對(duì)原ESFCM算法初始子類(lèi)劃分誤差大的問(wèn)題，提出了基于生長(zhǎng)/退化的邊緣連接算法；針對(duì)原ESFCM算法計(jì)算復(fù)雜度高的問(wèn)題，用重新定義的模糊距離替代了原算法中用到的物理距離。最后本論文還從計(jì)算復(fù)雜度、抗噪聲能力兩個(gè)方面將改進(jìn)前、后的算法做了定量的對(duì)比和分析。 實(shí)驗(yàn)結(jié)果表明，本論文所提出的改進(jìn)的ESFCM算法與原算法相比較具有如下優(yōu)點(diǎn)： （1）邊緣連接算法的應(yīng)用顯著降低了初始子類(lèi)劃分的誤差，使得改進(jìn)算法的圖像分割精度相對(duì)于原算法有了較大的提高； （2）用模糊距離代替原算法中的物理距離，使得改進(jìn)算法相對(duì)于原算法在以下幾個(gè)方面得到了性能改善：明顯地減小了分割誤差、極大地降低了計(jì)算復(fù)雜度、顯著地提高了抗“椒鹽”噪聲的能力。
作品專(zhuān)業(yè)信息
撰寫(xiě)目的和基本思路
- 改進(jìn)原有的ESFCM（邊緣信息指導(dǎo)下的半模糊聚類(lèi)圖像分割算法）灰度圖像分割算法，提高運(yùn)動(dòng)車(chē)輛分割精度并降低計(jì)算復(fù)雜度。
科學(xué)性、先進(jìn)性及獨(dú)特之處
- 改進(jìn)算法與原算法相比較，使得圖像分割不但精度更高，而且大幅度降低了計(jì)算復(fù)雜度，提高了抗噪聲能力，具有很高的應(yīng)用價(jià)值。
應(yīng)用價(jià)值和現(xiàn)實(shí)意義
- 圖像分割是圖像理解、智能控制的基礎(chǔ)和前提，圖像分割算法性能的優(yōu)劣直接關(guān)系到整個(gè)圖像工程應(yīng)用系統(tǒng)的性能。
學(xué)術(shù)論文摘要
- 本文首先介紹了原有的基于半模糊聚類(lèi)的灰度圖像分割算法，然后針對(duì)原算法存在的初始類(lèi)劃分誤差大、計(jì)算復(fù)雜度高、抗噪聲能力差三個(gè)方面的不足，分別從邊緣閉合和重新定義空間距離兩個(gè)方面入手，提出了一種改進(jìn)的分割算法，并從計(jì)算復(fù)雜度、抗噪聲能力兩個(gè)方面將改進(jìn)前、后的算法做了對(duì)比和分析。實(shí)驗(yàn)結(jié)果表明，本文所提出的改進(jìn)算法與原算法相比較，使得圖像分割不但精度更高，而且大幅度降低了計(jì)算復(fù)雜度，提高了抗噪聲能力，具有很高的應(yīng)用價(jià)值。
獲獎(jiǎng)情況
- 無(wú)
鑒定結(jié)果
- 無(wú)
參考文獻(xiàn)
- [1]張愛(ài)華. 基于模糊聚類(lèi)分析的圖像分割技術(shù)研究[D].武漢:華中科技大學(xué),2004:50-52 [2]S. Valero, J. Chanussot, J.A. Benediktsson, H. Talbot, B. Waske, Advanced directional mathematical morphology for the detection of the road network in very high resolution remote sensing images[J], Pattern Recognition Letters, 2010,10(31): 1120-1127. [3]馮子亮,王翠芹,施關(guān)民.一種基于主動(dòng)生長(zhǎng)的邊緣連接算法[J].計(jì)算機(jī)應(yīng)用研究.2009,26(10):3954-3956.
同類(lèi)課題研究水平概述
- 基于聚類(lèi)分析的圖像分割方法是圖像分割領(lǐng)域中一類(lèi)極其重要且應(yīng)用相當(dāng)廣泛的算法，其中模糊C-均值算法（Fuzzy C-Means，簡(jiǎn)稱(chēng)FCM）在實(shí)際中應(yīng)用最為廣泛。FCM算法最先由Dunn提出，后經(jīng)Bezdek改進(jìn)，并給出了基于最小二乘法原理的FCM迭代優(yōu)化算法，證明了它的收斂性。 在普通FCM算法中，需要計(jì)算所有像素點(diǎn)到各個(gè)子類(lèi)的隸屬度，計(jì)算量非常大。為了降低FCM算法的計(jì)算量，張愛(ài)華提出了一套在邊緣信息指導(dǎo)下的半模糊聚類(lèi)的圖像分割方法ESFCM（Edge-based Semi-Fuzzy C-means Clustering Method），該方法首先提取將一副圖像分割成邊緣部分以及被這些邊緣點(diǎn)劃分成的多個(gè)子類(lèi)，在模糊迭代時(shí)只計(jì)算邊緣點(diǎn)到所有子類(lèi)的隸屬度。與原FCM算法相比較，盡管該算法的計(jì)算量得到了大幅度降低，但是仍然存在如下問(wèn)題： （1）初始類(lèi)劃分誤差大：由于圖像采集環(huán)境因素的影響，提取出來(lái)的目標(biāo)區(qū)域邊緣往往會(huì)存在不同程度的丟失現(xiàn)象，這就使得初始子類(lèi)的劃分誤差較大，從而降低了圖像分割精度； （2）計(jì)算復(fù)雜度高：在計(jì)算邊緣點(diǎn)到子類(lèi)的空間距離時(shí)用到的是普通的歐式距離，計(jì)算復(fù)雜度仍然很高，有待于進(jìn)一步優(yōu)化； （3）抗噪聲能力較差：對(duì)于存在椒鹽噪聲的圖像，分割精度被大幅度降低。 為了解決原有的ESFCM圖像分割算法在這三個(gè)方面的缺陷，本文從引入邊緣連接算法和重新定義空間距離兩個(gè)方面入手，提出了該ESFCM算法的一種改進(jìn)方案。仿真實(shí)驗(yàn)結(jié)果表明，本文所提出的改進(jìn)算法與原算法相比較，分割精度更高、抗噪聲能力更強(qiáng)。
