开题报告-基于聚类分析的图像分割算法.docVIP

综述本课题的研究动态，说明选题的依据和意义 1、依据：K均值聚类（K-means）算法最早是在二十世纪六十年代由麦克奎因（James B.MacQueen）提出的，K-means算法是基于划分的聚类算法中最具有代表性的一种算法，是十大经典数据挖掘算法之一。K均值聚类算法是属于硬聚类划分的，采用欧氏距离作为相似性测度，误差平方和作为准则函数，得到迭代运算的修正规则。误差平方和就是指样本与聚类中心之间的差异度的总和，则准则函数越大，就是误差越大，以此判断分类的准确度。当求得准则函数最小时才能得到最优划分。 2、意义：图像分割是图像分析、理解和模式识别的基础，是图像处理的一个极其重要的环节，在实际生活中已经得到了广泛的应用。分割的准确性直接影响后续任务的有效性，因此图像分割具有十分重要的意义。近些年来，由于K均值聚类算法思想简单、运行速度快而成为目前使用相当广泛的一种算法，该算法是典型的基于划分的聚类算法。但是K均值聚类算法由于初始中心选择的随机性和类别数的不确定性而存在很多局限性，不同的初始中心会得到不同的结果，使得分割不稳定，同时不能适用于各种结构的数据，例如各区域尺寸、密度差距很大的数据或者区域边缘不明显的数据，很容易受到噪声的影响。本文从K均值聚类算法实验结果及分析入手，得到K均值聚类算法的优缺点，再基于K均值聚类算法来分割彩色图像和医学影像，通过实验的不同结果来分析其优势和劣势，最后总结展望。 本课题研究的基本内容，拟解决的主要问题和难点问题 1、基本内容：基于聚类分析的图像分割算法 2、主要问题和难点问题：①在K均值算法中要事先判断并且给定聚类的数目K；②对初始聚类中心的选取非常敏感；③对于数据量很大的对象无法很好地进行处理；④很容易受数据噪声的影响；⑤无法处理具有特殊形状簇的数据。 三、研究步骤、方法及措施： 1、先广泛阅读找到的相关文献，查阅资料； 2、着重挑选一两篇文献进行精读，先对图像分割有一个大概的了解基于基于边缘 4、学习聚类分析的定义和常用方法，如划分聚类算法、层次聚类算法、密度聚类算法、模型聚类算法等等；介绍分割图像，重点介绍灰度图像和彩色图像两种，还有纹理图像和遥感图像； 5、学习经典K均值聚类算法的原理和流程，再对其进行仿真实验，通过实验结果分析来获得此算法的优缺点； 6、着重学习基于K均值聚类算法的图像分割，分别做彩色图像分割实验和医学影像分割实验，通过实验结果来分析得到基于K均值聚类算法的图像分割的适用性； 7、总结实验并对其不足之处进行反思和展望； 8、对于所做的工作整理，撰写论文，并根据结论修改论文。 四、工作进度： 序 号 设计（论文）各阶段名称 日 期 1 资料收集和整理，阅读资料和文献 第一周-第二周 2 毕业实习 第三周-第五周 3 熟悉MATLAB程序设计 第六周-第八周 4 基于K均值聚类分析的图像分割算法 第九周-第十四周 5 总结和展望 第十五周 6 撰写论文 第十六周 7 定稿 第十七周 8 准备答辩 第十八周 五、主要参考文献： [1] 夏良正. 数字图像处理.第2版[M]. 东南大学出版社, 2006. [2] 章毓晋. 图象分割[M]. 科学出版社, 2001. [3] Pyun K P, Lim J, Won C S, et al. Image Segmentation Using Hidden Markov Gauss Mixture Models[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2007, 16(7):1902-11. [4] 张燕红, 韩庆龙, 刘瑜,等. 基于边缘检测的分割方法的研究及Matlab实现[J]. 福建电脑, 2014(9):60-62. [5] Zhou Y, Starkey J, Mansinha L. Segmentation of petrographic images by integrating edge detection and region growing [J]. Computers Geosciences, 2004, 30(8):817-831. [6] Mur A, Dormido R, Duro N, et al. Determination of the optimal number of clusters using a spectral clustering optimization[J]. Expert Systems with Applications, 2016, 65:304-314. [7] Owsińsk