发布时间 : 星期三 文章K均值算法图像分割更新完毕开始阅读9e3184cacf84b9d528ea7aaf
法对图像的分割是按区域生长法沿相反方向进行的，无需设置种子点，其基本思想是给定相似测度和同质测度，从整幅图像开始，如果区域不满足同质测度，则分裂成任意大小的不重叠子区域；如果两个邻域的子区域满足相似测度则合并。
最小长度描述法（MDL）的基本思路是用一种计算机语言来描述图像的区域和边界信息，得到一个描述长度函数，以此作为目标函数，根据图像极小化描述长度从而得到分割结果。MDL准则主要应用于区域竞争中，即通过这种规则对比若干个种子区域，找出其中的 坏种子。它常常与其他方法结合使用。 1.4论文内容
本文通过大量阅读图像分割技术方面的文献，认真研究K均值算法，并对其中的一些算法提出了改进优化了K均值算法。算法流程为颜色空间选取--图像特征提取（颜色特征提取和纹理特征提取）--综合特征分割--分割结果及分析。
文章内容安排如下：
（1）第一章：主要阐述课题研究意义，图像分割技术发展概况，图像分割方法的现状，论文的主要内容。
（2）第二章：主要阐述技术基于综合特征的图像分割的流程颜色空间的选取（比较HSV颜色空间与RGB颜色空间，最后选择了RGB颜色空间--图像特征的提取（分别进行颜色特征提取和纹理特征提取）--综合特征分割（先用原始的K均值算法，然后再使用改进后的K均值算法，对两者进行比较，K均值算法的流程为初始聚类--K均值迭代--后处理）--分割结果及其分析（对原始K均值算法与改进后的K均值算法所分割出来的图像进行对比，发现区别得出结论）。
（3）第三章：存在的问题以及对未来的展望。
2.基于综合特征的图像分割
2.1概述
目前彩色图像的分割方法大多仅用颜色特征或纹理特征，难以满足基于内容检索应用的
需要。例如目前很有代表性的VisualSEEK系统仅仅采用颜色特征用于分割，很容易对高纹理区域产生过分割，而一些仅用纹理分割的算法又没有充分利用颜色所携带的丰富信息，可能产生欠分割，不管是只使用颜色特征进行的分割，还是只是用纹理特征进行的分割在对图像进行分割的时候都会产生不好的影响，因此有效地融合颜色和纹理信息是获得稳健的图像分割的重要途径。目前，这方面的分割方法的研究相对较少。针对这个问题，该文提出了一种利用图像的颜色和纹理综合特征进行分割的方法。
图像分割方法有很多种，其中，聚类法是一个较简单有效的综合特征分割方法，已被广
9
泛应用到图像分割领域。典型的聚类方法有K均值法、ISODATA法、模糊C均值法等。ISODATA法有六个参数必须由用户提供，较难实现，且不能做到自动分割;模糊C均值法是对特征集的模糊划分，这种方法主要用于三维图像和医疗图像的分割；而K均值法通过改进可以做到一定程度的自动分割，而且适合于分割普通图像，在处理大量数据集方面也具有其它聚类算法无法比拟的优势，但是，K均值法的缺点在于需要具有聚类数目及聚类中心的先验知识，聚类结果往往与初始聚类个数和聚类中心的选定有关，聚类只考虑图像点的特征相近性，未考虑点的位置邻近性。因此该文采用了改进的K均值算法来进行图像分割。改进后的方法能克服以上缺陷，分割出有意义的区域。 2.2颜色空间选取
由于HSV颜色空间在视觉上比RGB颜色空间更均匀，即HSV的空间距离比RGB的空间距离更加符合人眼视觉特征，因此目前有许多图像分割算法采用了HSV空间。但是，从RGB到HSV的转换是个非线性变换，H和S都有不可避免的奇异点，即在转换公式中出现分母为零的情况。在奇异点附近即使R、G、B的值有很小变化也引起变换值有很大的跳动，这样会产生不稳定，因此不宜用于区域分割算法中。
从这点说，由R、G、B经线性变换法得到的彩色坐标系更为可取，替代非线性的色调和饱和度变换的方法是采用三滤波器值的线性变换。文章采用了YUV空间，YUV空间是由RGB空间经过线性变换得到的。RGB空间到YUV空间的转换公式为：
0.144?0.587?Y??0.299?U?=??0.169 ?0.332 0.500???????0.419?0.081??V????0.55??R??G? ????B??认知科学表明，YUV是一种独立于设备的彩色空间，它按照人类的感知程度以一致的尺度表示色彩差别，而且，该文经过实验发现，采用YUV空间产生的分割结果比HSV空间的分割结果更好。 2.3图像特征提取 2.3.1颜色特征提取
采用4*4的图像块为图像分割的最小单位，因此，特征提取的最小单位也是4*4的图像块。对于小块的颜色特征，直接采用小块里的各个像素的Y、U、V的颜色均值。设小块的16个点从上至下，从左至右标号为1，2，3,4,5,6,7,8,9,10,11,12,13，14，15，16，该小块的颜色特征（Y、U、V）计算公式为：
1Y=1616116Yi，U=?Ui，V??Vi ?16i?1i?1i?1162.3.2纹理特征提取
10
由于小波变换能提取图像的高频信息，因此，它非常适合于提取图像的纹理特征。考虑到计算的简洁性和效率，该文选择了哈尔小波。小波变换的对象是各个4*4的图像块。一次小波变换后，一个4*4的块分解成四个频带，低频带LL及三个高频带HL、LH、HH，每个频带包含4个系数，见图1。
（a） 原始图像
LL LH
(b)小波变换
图1小波变换示意图
提取三个高频带的小波能量作为纹理特征。以HL频带为例，假设其对应的小波系数为{
HL HH c,ck,lk,l?1,ck?1,l,ck?1,l?1}该频带对应的纹理特征量计算如下：
11f?（?4i?0?cj?012k?1,l?1(3)
从HH和LH频带计算另两个纹理特征量，计算公式类似式（3），即求该频带的小波系数的二阶矩的均值。 2.4综合特征分割
11
将颜色特征的三维向量和纹理特征的三维向量组合成一个六维向量，利用这种综合特征向量来分割图像，以达到预期的图像分割效果。
3.K均值算法
3.1原始K均值算法
K均值聚类法可以用来进行综合特征的分割，下面是原始均值算法的伪代码。 原始K均值算法的伪代码如下： function Direct-k-means( )
初始化K个模板（
w,w,w,...,w)使w?i,j?{1,2，···，k}，
123kjljl?{1,2，···，n}
聚类
c对应于模板wj
Repeat
for 每个输入向量l,其中l?{1,2，···,n} do
将l加入最近的聚类 （即符合 for 每个聚类
ljliic,对应的模板为wjj
i?w?i?w,j?{1,2，···，k}）
jcj,j?{1,2，···，k}
do 按照目前
cj中的所有样本来更新模板
wj：
wj??il?cjiclj
计算误差函数：E???i?wj?1k2jil?cjl
Until不改变或者聚类成员不再改变。从以上步骤可以看出，最终的聚类依赖于初始聚 类中心及聚类数目K值的选择。很多情况下要得到图像的先验知识是不可能的，因此，K均值聚类算法中，类别数目的确定是个难点，数目过多会产生过分割（分割得过细），过少又会导致欠分割（有的区域未分割出来）。我们提出了一种改进的K均值方法来分割图像，使得这些参数可以通过图像的统计信息确定相应的初始值，而无需用户进行事先的指定，然后再根据K均值迭代对聚类个数和模板初值进行不断的调整，直到聚类个数和模板初值不再变化为止，而且，通过加入后处理，兼顾了聚类时点的位置连通关系。
12