论文部分内容阅读
图像分割是图像分析、识别和理解的基础，是图像技术研究的热点和焦点，其分割结果的好坏直接影响到图像分析的质量。由于各种因素的影响，图像本身存在不确定性和不精确性，而模糊理论对于图像的这种不确定性有很好的描述能力。基于以上原因，本文研究了基于模糊聚类的图像分割算法，并针对经典的模糊C均值聚类图像分割方法的不足之处进行了改进。本文主要完成了以下工作： (1)针对基于模糊C-均值聚类的方法进行图像分割存在的问题以及图像分割的特点，提出了一种基于边缘信息指导下的模糊C-均值的图像分割方法。该方法利用简易且敏感的边缘算子，对图像进行边缘检测，得到图像中所有的边缘信息，然后利用FCM算法对所有的非边缘点进行聚类，最后对聚类的结果按照改进的二邻域区域生长算法进行聚类后处理。 (2)针对FCM算法对初始值敏感，容易陷入局部最优的缺点，提出了遗传模糊C-均值聚类的图像分割算法。该算法首先对模糊聚类中心进行编码，然后依据FCM算法的目标函数建立适应度函数，通过改进的遗传算子，最终实现了基于遗传模糊C-均值算法的图像分割，并得到了比较满意的分割效果。