几种聚类算法在图像分割中的应用研究.docx

几种聚类算法在图像分割中的应用研究摘要本文具体介绍了图像分割中几种聚类算法的工作原理。通过对比分析了几种算法的优缺点总结了在实际工作中对算法的选择问题。关键词聚类算法图像分割均值漂移K均值聚类中图分类号：TP391.41文献标识码：A通常在分析以及使用图像时人们需要的不是整幅图像而仅仅是其中的某些目标。图像分割就是把需要的部分分割出来再进一步分析处理图像。每个图像都有它独有的特点对图像进行分割时要想达到预期的结果就必须选择合适的算法由此可见对算法的研究是很关键也很必要的。目前常用的几种分割方法有k均值聚类算法、模糊c均值算法、均值漂移算法等。1聚类算法1.1均值漂移算法均值漂移（MeanShift）算法是一种有效的统计迭代算法。均值漂移的算法原理是在样本中随机选择一圆心为o半径为h的区域得出这个区域中所有样本点的平均值圆心处的样本密度必然比均值处的样本密度小或者相等将均值定为新的圆心重复以上步骤直到收敛到密度极大值点。1.2K均值聚类算法k均值聚类由于其原理简单而使用很广泛。该算法的工作原理是首先将n个样本分为k个组在每组中随机选择一个元素当作聚类中心。然后得到其他采样点到这个中心的欧氏距离把采样点归类到与之欧氏距离最小的聚类中心所在的类中。计算新形成的聚类中采样点的平均值得到新的聚类中心。重复上述过程直到每个样本都分类正确为止。1.3模糊C均值聚类算法模糊C均值是为解决实际应用问题对K均值进行改进得来的。在实际应用中图像目标在类别属性方面没有那么严格的区分。所以想出利用隶属度来判断每个目标样本的所属来更好的划分。模糊C均值聚类的具体工作原理是算法将n个样本分为c个组得到各个组的聚类中心最终让非相似性指标的目标函数达到最小。算法给各个样本点赋予0～1之间的隶属度通过隶属度的值来判断样本归属于各个分类的程度。同时有规定一个样本的隶属度加和后值为一。2算法比较（1）均值漂移的好处在于它的算法过程简单易理解所以迭代效率非常高。但是算法要想保证更加准确且效率更高又取决于迭代中间对于带宽的设定带宽的不同对于迭代结果来说有非常重要的影响。目前人们想出很多方法解决这个问题但这些方法又使计算更复杂迭代效率有所下降所以想让该算法更好地应用于实际问题中还需要对核函数带宽的选择进行改进。（2）K均值聚类算法是非参数的分类方法所以该算法在进行图像分割时更适用于那些未知的和非正态分布的数据算法在处理这些数据时使聚类更准确。同时K均值聚类算法原理简单易懂可以很容易的实现算法效率也很高。但也存在分类过程中过分依赖样本库需要先验知识欠缺稳定性等问题。（3）模糊C均值聚类算法是通过赋予隶属度这一方法来判断目标样本的归属使得目标分类更加合理。然而初值的选择对于该算法来说非常重要如果选择的初值与全局聚类中心偏差的太远会使迭代收敛速度降低迭代的次数也可能会增加很多也就会增加计算时间。同时根据算法原理使用该算法之前要先设定好有几种聚类才能让算法继续下去可是在实践中要想确定有几种类是很难的。所以对于模糊C均值聚类来说初值的选择类数目的确定方法如何使聚类达到全局最优成为了聚类的关键问题。3结论图像分割的几种算法对于各种图像来说都存在其优点和缺点。均值漂移算法不需要任何参数但受核函数带宽的影响可能出现分割过度或者分割不完全的现象。K均值聚类算法简单高效应用广泛但存在很多局限性使得聚类不稳定分割达不到很好的效果。与K均值聚类相比较来说模糊C均值对样本的分类更合理但仍然需要先验知识且迭代过程计算量大。在实际应用中必须选择合适的算法并根据具体问题尝试对算法进行改进才能够得到相对满意图像分割结果。参考文献[1]TheodoridisS.PatternRecongnition[M].SecondEdition.USA：ElsevierScinece2003.[2]DorinComaniciuPeterMeer[J].MeanShiftAnalysisandApplications.USA.[3]YizongCheng[J].MeanShiftModeSeekingandClustering.IEEETransactionsOnPatternAnalysisAndMachineIntelligence199517（8）.[4]李丽丽.模糊C-均值聚类算法及其在图像分割中的应用[D].山东：山东师范大学2009.[5]刘蕊洁张金波刘锐.模糊c均值聚类算法[J].重庆工学院学