论文综述
聚类分析算法研究及其在图像分割中的应用
- 引言
在计算机视觉和图像分析中，如何把目标物体从图像中有效分割出来一直是个经典难题之一，它决定图像的最终分析质量和模式识别的判别结果。 图像分割是指将图像中具有特殊意义的不同区域分开来，并使这些区域相互不相交，且每个区域应满足特定区域的一致性条件。 图像一旦被分割，就可作进一步的处理，如基于内容的图像检索、分类及识别等。 因此，图像分割是图像处理和模式识别中的一个重要研究领域。
图像分割在实际中也有广泛的应用，例如在工业自动化，在线产品检验，以及军事、体育、农业工程等方面。概括来说，在各种图像应用中，只要需对图像目标进行提取，测量等都离不开图像分割。图像分割技术的发展与许多其他学科和领域，例如数学、物理、心理学、电子学、计算机科学等学科密切相关。近年来，随着各学科许多新理论和方法的提出，人们也提出了许多结合一些特定理论、方法和工具的分割技术。其中，基于聚类分析的图像分割方法是图像分割领域中一类极其重要和应用相当广泛的算法，其在应用领域取得的巨大成功引起了广大关注。
- 国内外研究状况
对分割算法的研究已经有几十年的历史，至今借助于各种理论已经提出了数以千计的分割算法，而且这方面的研究仍然在积极进行。尽管人们在图像分割方面做了许多工作，但至今仍无通用的分割算法，也不存在一个判断分割是否成功的客观标准。已经提出的分割算法大都是针对具体问题的，并没有一种适用于所有图像的通用的分割算法。实际上由于不同领域的图像千差万别，也不可能存在万能的通用算法。
目前图像分割的算法主要有阈值分割法、边缘提取法、区域分割法、分水岭分割法等，这些分割算法各有优缺点。近年来，许多研究人员提出用聚类算法来分割图像，并取得了较好的实验结果。但如何初始划分（分类）样本以及选择代表点将直接影响分割的效果。在以往的研究中，基于K均值聚类及其改进算法的图像分割技术受到了广泛关注。K均值聚类是聚类方法中一种无监督动态算法，1967年，MacQuen首次提出K均值聚类算法，该算法是解决聚类问题的一种经典算法，K具有一定的自适应性，但聚类结果易受初始聚类中心的影响。
【附】文献整理
- 邵锐,巫兆聪,钟世明.基于粗糙集的 K-均值聚类算法在遥感影像分割中的应用[J].现代测绘,2005,28(2):3-5.
- 张新明,沈兰荪,沈波.基于特征距离的阈值法及其在眼科图象分割中的应用[J].中国图象图形学报,2001,6(2):159-163.
- 翟东海，鱼江，等．最大距离法选取初始簇中心的K－means文本聚类算法的研究 ［J］．计算机应用研究，2014，31( 3) :713－715．
- 张靖，段富．优化初始聚类中心的改进k－means算法［J］．计算机工程与设计，2013，34( 5) : 1691－1694．
- 李翠，冯冬青．基于改进K－均值聚类的图像分割算法研究［J］．郑州大学学报( 理学版)，2011,43( 1) : 109－113.
- 林晓雪，赵茂先．一种基于改进粒子群算法的K－means 算法［J］．山东理工大学学报，2015，29( 5) : 16－20．
- 许竣玮，徐蔚鸿．基于扰动免疫粒子群和K均值的混合聚类算法［J］．计算机工程与应用，2014，50( 22) : 163－169．
- 杨志，罗可．一种改进的基于粒子群的聚类算法［J］．计算机应用研究，2014，31( 9) : 2597－2599．
- KENNEDY，EBEＲHAＲT．Particle Swarm Optimization［C］．In: Proceedings of the IEEE International Conference on Neural Networks，1995.
- SHI Y，EBEＲHAＲT． A Modified Particle Swarm Optimizer［C］． In: Proceedings of IEEE International Congress on Evolutionary Comp－utation，1998.
资料编号：[78519]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
