基於聚類演算法的圖像分割實現

① 圖像分割的特定理論

圖像分割至今尚無通用的自身理論。隨著各學科許多新理論和新方法的提出，出現了許多與一些特定理論、方法相結合的圖像分割方法。 特徵空間聚類法進行圖像分割是將圖像空間中的像素用對應的特徵空間點表示，根據它們在特徵空間的聚集對特徵空間進行分割，然後將它們映射回原圖像空間，得到分割結果。其中，K均值、模糊C均值聚類(FCM)演算法是最常用的聚類演算法。K均值演算法先選K個初始類均值，然後將每個像素歸入均值離它最近的類並計算新的類均值。迭代執行前面的步驟直到新舊類均值之差小於某一閾值。模糊C均值演算法是在模糊數學基礎上對K均值演算法的推廣，是通過最優化一個模糊目標函數實現聚類，它不像K均值聚類那樣認為每個點只能屬於某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點，適合處理事物內在的不確定性。利用模糊C均值(FCM)非監督模糊聚類標定的特點進行圖像分割，可以減少人為的干預，且較適合圖像中存在不確定性和模糊性的特點。
FCM演算法對初始參數極為敏感，有時需要人工干預參數的初始化以接近全局最優解，提高分割速度。另外，傳統FCM演算法沒有考慮空間信息，對雜訊和灰度不均勻敏感。 模糊集理論具有描述事物不確定性的能力，適合於圖像分割問題。1998年以來，出現了許多模糊分割技術，在圖像分割中的應用日益廣泛。模糊技術在圖像分割中應用的一個顯著特點就是它能和現有的許多圖像分割方法相結合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。
模糊閾值技術利用不同的S型隸屬函數來定義模糊目標，通過優化過程最後選擇一個具有最小不確定性的S函數。用該函數增強目標及屬於該目標的像素之間的關系，這樣得到的S型函數的交叉點為閾值分割需要的閾值，這種方法的困難在於隸屬函數的選擇。基於模糊集合和邏輯的分割方法是以模糊數學為基礎，利用隸屬圖像中由於信息不全面、不準確、含糊、矛盾等造成的不確定性問題。該方法在醫學圖像分析中有廣泛的應用，如薛景浩 等人提出的一種新的基於圖像間模糊散度的閾值化演算法以及它在多閾值選擇中的推廣演算法，採用了模糊集合分別表達分割前後的圖像，通過最小模糊散度准則來實現圖像分割中最優閾值的自動提取。該演算法針對圖像閾值化分割的要求構造了一種新的模糊隸屬度函數，克服了傳統S函數帶寬對分割效果的影響，有很好的通用性和有效性，方案能夠快速正確地實現分割，且不需事先認定分割類數。實驗結果令人滿意。 概述
小波變換是2002年來得到了廣泛應用的數學工具，它在時域和頻域都具有良好的局部化性質，而且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。
小波變換的分割方法
基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然後依據給定的分割准則和小波系數選擇閾值門限，最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細，有尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割演算法的計算饋與圖像尺寸大小呈線性變化。

② matlab圖像聚類分割演算法 求大神告知以下代碼是用了什麼方法還有怎麼把圖像分割和聚類演算法結合在一起。

用了K均值聚類演算法，即求特徵點到兩個聚類中心的距離，哪個小就將他歸於哪一類中，即D1和D2

③ 傳統的圖像分割方法有哪些

1.基於閾值的分割方法

灰度閾值分割法是一種最常用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的變化
其中，T為閾值；對於物體的圖像元素，g(i,j)=1，對於背景的圖像元素，g(i,j)=0。

由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個適合的閾值就可准確地將圖像分割開來。閾值確定後，閾值與像素點的灰度值比較和像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。

閾值分割的優點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合（如用於軟體實現），它得到了廣泛應用。

2.基於區域的分割方法

區域生長和分裂合並法是兩種典型的串列區域技術，其分割過程後續步驟的處理要根據前面步驟的結果進行判斷而確定。

(1)區域生長

區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據某種事先確定的生長或相似准則來判定）合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。

(2)區域分裂合並

區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標提取。分裂合並差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然後再把前景區域合並，實現目標提取。分裂合並的假設是對於一幅圖像，前景區域是由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那麼就可以判定該像素是否為前景像素。當所有像素點或者子區域完成判斷以後，把前景區域或者像素合並就可得到前景目標。

3.基於邊緣的分割方法

基於邊緣的分割方法是指通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，確定一個區域的終結，即另一個區域開始的地方。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。

4.基於特定理論的分割方法

圖像分割至今尚無通用的自身理論。隨著各學科新理論和新方法的提出，出現了與一些特定理論、方法相結合的圖像分割方法，主要有：基於聚類分析的圖像分割方法、基於模糊集理論的分割方法等。

5.基於基因編碼的分割方法

基於基因編碼的分割方法是指把圖像背景和目標像素用不同的基因編碼表示，通過區域性的劃分，把圖像背景和目標分離出來的方法。該方法具有處理速度快的優點，但演算法實現起來比較難。

6.基於小波變換的分割方法

小波變換是近年來得到廣泛應用的數學工具，它在時域和頻域都具有良好的局部化性質，並且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。

基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然後依據給定的分割准則和小波系數選擇閾值門限，最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細，由尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割演算法的計算會與圖像尺寸大小呈線性變化。

7.基於神經網路的分割方法

近年來，人工神經網路識別技術已經引起了廣泛的關注，並應用於圖像分割。基於神經網路的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然後用決策函數對像素進行分類來達到分割的目的。這種方法需要大量的訓練數據。神經網路存在巨量的連接，容易引入空間信息，能較好地解決圖像中的雜訊和不均勻問題。選擇何種網路結構是這種方法要解決的主要問題。

④ matlab中fcm函數聚類後，怎麼實現圖像分割

如果你能將MATLAB軟體學好的話，肯定可以參加數學建模比賽，而且成績可以很好，因為MATLAB軟體多數功能都是與數學有關。其中，最重要的學好MATLAB優化工具箱，肯定對你建模很有用，其次，簡單的數值分析要會點，如矩陣運算，簡單的擬合，非線性擬合，統計工具箱，如果你想繼續提高，可以好好研究MATLAB 中遺傳演算法工具箱，模擬退火工具箱，學會調用這函數。因為我也是從數學建模過來人，參加過兩次！

⑤ 聚類的圖像分割演算法

《C語言數值演算法程序大全》第二版，定價88元，樓主掏點金子吧，我手頭有一本，不過你看不著。

⑥ 請教Matlab怎麼由顏色相似聚類分析實現圖像分割

可以用圖像區域塊分析，根據相似准則作出相關規定信息。最好是參考彩色圖像處理的相關演算法文獻。

⑦ 基於K-means聚類演算法的圖像分割

實際上，無論是從演算法思想，還是具體實現上，K-means演算法是一種很簡單的演算法。它屬於 無監督分類 ，通過按照 一定的方式度量 樣本之間的相似度，通過迭代更新聚類中心，當聚類中心不再移動或移動差值小於閾值時，則就樣本分為不同的類別。

根據聚類中心，將所有樣本點分為最相似的類別。這需要一個有效的盤踞，平方差是最常用的度量方式，如下

我們知道：無論是灰度圖還是RGB彩色圖，實際上都是存有 灰度值的矩陣，所以，圖像的數據格式決定了在圖像分割方向上，使用K-means聚類演算法是十分容易也十分具體的。

click me

⑧ 什麼是均值漂移圖像分割技術

均值漂移演算法是一種通用的聚類演算法，它的基本原理是：對於給定的一定數量樣本，任選其中一個樣本，以該樣本為中心點劃定一個圓形區域，求取該圓形區域內樣本的質心，即密度最大處的點，再以該點為中心繼續執行上述迭代過程，直至最終收斂。

可以利用均值偏移演算法的這個特性，實現彩色圖像分割，Opencv中對應的函數是pyrMeanShiftFiltering。這個函數嚴格來說並不是圖像的分割，而是圖像在色彩層面的平滑濾波，它可以中和色彩分布相近的顏色，平滑色彩細節，侵蝕掉面積較小的顏色區域，所以在Opencv中它的後綴是濾波「Filter」，而不是分割「segment」。先列一下這個函數，再說一下它「分割」彩色圖像的實現過程。

⑨ 如何用區域生長法實現圖像分割

區域生長法圖像分割是直接根據像素的相似性和連通性來對圖像進行聚類的演算法。基本原理是，給出若干種子點，然後依次對這些種子點進行如下操作，直到種子點集合為空：判斷種子點四鄰域或八鄰域的像素點是否和種子點相似（灰度相似或其他測度相似），如果相似則將該點加入種子點集合，否則不作處理。
該演算法原理很簡單，但在數據結構的組織上卻需要技巧，本文介紹一種簡易的數據組織方式實現該演算法。

如上圖所示，左圖為一幅W*H大小的圖像示意圖，利用區域生長法圖像分割演算法，該圖像被分割（聚類）為7塊；右圖為相應的數據結構，圖像分割的結果屬於圖像空間數據，其實就是一系列的像素點坐標數組或與像素點坐標直接關聯的屬性數組如FLAG的數組等，這個數組的維度一定是W*H，而分割結果體現在數組元素的排列順序：同一類別的元素連續存儲。然而類別的界限無法用該數組表明，而只能用另外一個描述數組，這里我們稱之為圖像空間數據的「元數據」數據，這個數組的有效維度為空間數據的類別數，即7，每個元素代表的是空間數據數組中每個類別的元素個數，其實也就相應地表明了每個類別的指針位置。