改進的分水嶺和FCM算法應用于圖像分割研究.pdf

1、圖像分割技術(shù)是圖像分析乃至高層圖像理解的重要基礎，廣泛應用于工業(yè)、醫(yī)學、地理學、交通等領(lǐng)域，越來越受到學者們的關(guān)注。理論的創(chuàng)新促使基于特殊理論的圖像分割算法層出不窮?；谛螒B(tài)學理論的分水嶺算法有較高的分割精度和速度，但其過分割問題嚴重;基于模糊理論的模糊C均值(FCM)算法能夠無監(jiān)督工作和解決多分支分割問題，卻受初始值影響較大。面向課題應用需求，為獲得更好的圖像分割效果，本文圍繞這兩種算法的改進開展研究。
　　首先，分析分水嶺算法

2、的優(yōu)劣，從預處理階段來改進經(jīng)典算法，考慮采用一種基于形態(tài)學濾波的標記分水嶺分割方法。改進算法對原始梯度圖像進行開閉重建濾波，并利用內(nèi)外部標記符控制分割區(qū)域，再對疊加標記的梯度圖像進行分水嶺變換;將該方法應用于核磁共振(MRI)腦腫瘤圖像和河流合成孔徑雷達(SAR)圖像分割，消除了過分割現(xiàn)象。仿真對比實驗結(jié)果表明:對MRI腦腫瘤圖像有較高的分割精度和速度;對河流SAR圖像，由于受相干斑噪聲和陰影的干擾，分割效果不夠理想，同時受擴展的極值變

3、換中的閾值影響，需要根據(jù)仿真測試人為確定合適的閾值，以得到理想的分割結(jié)果。
　　其次，研究一種改進模糊C均值(FCM)的圖像分割方法，以克服FCM算法需要人為確定分類數(shù)、且容易陷入局部極值的不足。改進算法對原始圖像進行Kuan濾波，依據(jù)濾波后圖像的直方圖得到初始類中心和分類數(shù)，由此引導算法進行FCM圖像分割;因而該算法在應用中能夠自適應確定分類數(shù)和初始類中心，比經(jīng)典FCM算法的圖像分割精度高、速度快;相比改進的分水嶺圖像分割方法，