论文部分内容阅读
图像工程是所有与图像有关的图像技术的整体概括，广义上分为图像处理、图像分析和图像理解。图像处理是其中相对较低层次的操作，包括图像分割、目标分离、特征提取和参数测量等过程。图像处理中的相关过程为图像工程中中高层次的图像分析和图像理解的实现提供了最基本的条件。在图像处理领域，聚类分析可以作为图像处理算法的预处理步骤，通过聚类算法进行图像数据的预处理，获得图像数据的基本情况，在此基础上进行特征抽样或分类以提高图像处理效率。而图像处理中的图像分割是图像处理的基础，是指把图像分割成特定的具有特殊特性的区域并从中提取感兴趣目标的技术和过程，分割结果的好坏直接影响后续图像处理过程的有效性。因此，聚类分析和图像分割对于目标识别，图像检索，计算机视觉等具有非常重要的意义。基于聚类分析在图像处理领域的重要性，首先我们对传统的聚类算法进行了深入的研究，提出了一种基于非欧度量的聚类方法，扩展了传统聚类算法的应用范围。传统的聚类算法往往只能处理凸形数据集，发现球形聚类，然而通过将核度量，马氏距离及一种基于加权的最短路径的新的度量方法引入传统聚类算法中发现原本仅仅局限于处理球形数据集或低维空间中数据对象的聚类算法，不仅可以聚类非凸数据集或某种特定形状的数据集，而且可通过升维的方法获得满意的聚类结果。其次，本文对基于聚类的图像分割算法和图像分类算法进行了概述。再者，比较现有的图像分割算法，基于模糊理论的图像分割算法由于考虑了图像本质上的模糊性，在实际应用中起着非常重要的作用。传统的模糊连通度图像分割方法存在着一些缺点和不足，例如，分割结果在很大程度上由所选择的模糊关系决定，对噪声非常敏感，多种子点情况下很难选择一个适合的阈值等等。本文中，提出了一种新的融合空间与密度信息的模糊图像分割方法，新方法弥足了传统的模糊连通度图像分割方法的一些不足。通过引入邻域密度指标，很好的衡量了某一像素元素与其邻域内像素元素的相似度。基于此邻域密度指标，提出了一种新的计算全局模糊连通度的方法，并且合理的定义了一个图像的稠密点集和稀疏点集。通过对稠密点集和稀疏点集进行综合考虑，提出了一种新的融合空间与密度信息的模糊图像分割方法。总之，此方法将像素的空间信息，特征信息及密度信息相结合，并且提出了针对噪声点边界点的处理方法，是一种十分新颖且有效的图像软分割方法。大量的实验评价和分析结果表明了此方法的实用性。