基本信息
- 項目名稱：
- 一種改進的基于半模糊聚類的圖像分割方法
- 小類：
- 信息技術(shù)
- 簡介：
- 介紹了原ESFCM圖像分割算法，然后針對原算法存在的初始類劃分誤差大、計算復(fù)雜度高、抗噪聲能力差三個方面的不足，分別從邊緣閉合和重新定義空間距離兩個方面入手，提出了基于生長/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。最后本論文還從計算復(fù)雜度、抗噪聲能力兩個方面將改進前、后的算法做了定量的對比和分析。
- 詳細介紹：
- 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)系到整個圖像工程應(yīng)用系統(tǒng)的性能。 本論文首先詳細介紹了原ESFCM（Edge-based Semi-Fuzzy C-means Clustering Method）圖像分割算法，然后針對原算法存在的初始類劃分誤差大、計算復(fù)雜度高、抗噪聲能力差三個方面的不足，分別從邊緣閉合和重新定義空間距離兩個方面入手，提出了改進的ESFCM算法，即針對原ESFCM算法初始子類劃分誤差大的問題，提出了基于生長/退化的邊緣連接算法；針對原ESFCM算法計算復(fù)雜度高的問題，用重新定義的模糊距離替代了原算法中用到的物理距離。最后本論文還從計算復(fù)雜度、抗噪聲能力兩個方面將改進前、后的算法做了定量的對比和分析。 實驗結(jié)果表明，本論文所提出的改進的ESFCM算法與原算法相比較具有如下優(yōu)點： （1）邊緣連接算法的應(yīng)用顯著降低了初始子類劃分的誤差，使得改進算法的圖像分割精度相對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，使得改進算法相對于原算法在以下幾個方面得到了性能改善：明顯地減小了分割誤差、極大地降低了計算復(fù)雜度、顯著地提高了抗“椒鹽”噪聲的能力。
作品專業(yè)信息
撰寫目的和基本思路
- 改進原有的ESFCM（邊緣信息指導(dǎo)下的半模糊聚類圖像分割算法）灰度圖像分割算法，提高運動車輛分割精度并降低計算復(fù)雜度。
科學(xué)性、先進性及獨特之處
- 改進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算復(fù)雜度，提高了抗噪聲能力，具有很高的應(yīng)用價值。
應(yīng)用價值和現(xiàn)實意義
- 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的灰度圖像分割算法，然后針對原算法存在的初始類劃分誤差大、計算復(fù)雜度高、抗噪聲能力差三個方面的不足，分別從邊緣閉合和重新定義空間距離兩個方面入手，提出了一種改進的分割算法，并從計算復(fù)雜度、抗噪聲能力兩個方面將改進前、后的算法做了對比和分析。實驗結(jié)果表明，本文所提出的改進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算復(fù)雜度，提高了抗噪聲能力，具有很高的應(yīng)用價值。
獲獎情況
- 無
鑒定結(jié)果
- 無
參考文獻
- [1]張愛華. 基于模糊聚類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.一種基于主動生長的邊緣連接算法[J].計算機應(yīng)用研究.2009,26(10):3954-3956.
同類課題研究水平概述
- 基于聚類分析的圖像分割方法是圖像分割領(lǐng)域中一類極其重要且應(yīng)用相當廣泛的算法，其中模糊C-均值算法（Fuzzy C-Means，簡稱FCM）在實際中應(yīng)用最為廣泛。FCM算法最先由Dunn提出，后經(jīng)Bezdek改進，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，需要計算所有像素點到各個子類的隸屬度，計算量非常大。為了降低FCM算法的計算量，張愛華提出了一套在邊緣信息指導(dǎo)下的半模糊聚類的圖像分割方法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劃分成的多個子類，在模糊迭代時只計算邊緣點到所有子類的隸屬度。與原FCM算法相比較，盡管該算法的計算量得到了大幅度降低，但是仍然存在如下問題： （1）初始類劃分誤差大：由于圖像采集環(huán)境因素的影響，提取出來的目標區(qū)域邊緣往往會存在不同程度的丟失現(xiàn)象，這就使得初始子類的劃分誤差較大，從而降低了圖像分割精度； （2）計算復(fù)雜度高：在計算邊緣點到子類的空間距離時用到的是普通的歐式距離，計算復(fù)雜度仍然很高，有待于進一步優(yōu)化； （3）抗噪聲能力較差：對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方面入手，提出了該ESFCM算法的一種改進方案。仿真實驗結(jié)果表明，本文所提出的改進算法與原算法相比較，分割精度更高、抗噪聲能力更強。
