一種改進的K-MEANS聚類彩色圖像分割方法.pdf

1、圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟。圖像分割的目的是將圖像分割為多個互不重疊且又各具特性的區(qū)域，主要應(yīng)用于圖像壓縮、目標(biāo)提取、模式識別等。以往的圖像分割技術(shù)主要應(yīng)用于灰度圖像，隨著計算機技術(shù)的高速發(fā)展，彩色圖像的獲取越來越簡單，應(yīng)用越來越多。彩色圖像分割逐漸受到關(guān)注。
　　 本文在前人對彩色圖像分割問題的大量研究成果上，本文提出了一種將K-MEANS算法、蟻群算法以及分水嶺算法相結(jié)合的分割方法。該方法首先利用蟻群算法的全局

2、搜索性和魯棒性的優(yōu)點并結(jié)合邊緣信息，初始化K-MEANS算法確定聚類中心和聚類個數(shù)。然后運用基于改進的分水嶺算法對原始彩色圖像進行預(yù)分割，從而把原始彩色圖像數(shù)據(jù)分成一些具有彩色一致性的子集；最后對這些子集的中心進行K-MEANS聚類。實驗結(jié)果表明：由于子集數(shù)量遠小于原始圖像像素數(shù)目，使聚類樣本數(shù)量明顯減少，提高了聚類速度，可以自動、有效穩(wěn)健的對彩色圖像進行分割。同時在聚類中以特征距離替代歐式距離，增強了算法的魯棒性。主要工作如下：

3、>　　 1.以特征距離作為待聚類樣本間差異的測度。
　　 2.將彩色圖像從RGB色彩空間轉(zhuǎn)換到HSI色彩空間。
　　 3.利用蟻群算法獲得初始聚類數(shù)目和初始聚類中心。
　　 4.對基于改進的分水嶺算法初始分割結(jié)果進行K-MEANS聚類。
　　 與傳統(tǒng)的K-MEANS聚類算法相比，本文提出的方法有效的克服了聚類數(shù)目必須依據(jù)先驗知識提前設(shè)定、最初的聚類中心是隨機選取的、聚類的效果好壞依賴于距離判定公式的缺陷