论文部分内容阅读
图像分割问题是计算机科学和人工智能领域既经典又挑战性极大的问题之一，在数字图像处理学科领域中是非常重要也不可或缺的一个环节。近二三十年来，人们热衷于图像分割的算法研究，并获得硕果累累的分割研究成果。许多算法分别就图像分割的正确比率、计算效率、分割质量、鲁棒性、过度依赖初始值等一个或几个方面进行不同程度改善和创新。为了解决基于CV模型算法的过于依附初始值、计算效率和鲁棒性的分割算法的问题，在KFCM与改进CV模型的基础上，运用Split Bregman算法，提出了本文的图像分割方法。通过一系列仿真实验验证了本文算法的稳定性和可行性，在依赖初始值、计算效率和鲁棒性上也有显著改善。本文所研究的工作可以主要有下面五个方面：（1）总述了现有的图像分割算法。根据目前国内外现有的、涉及图像分割算法的重要参考文献和大量相关书籍，做了一个较全面的总结。（2）第二章主要讲述了利用模糊C均值聚类来分割图像的几种算法。阐述前人对模糊C均值聚类算法的研究改善和发展过程，也指出将这些改进的聚类算法运用到图像分割中取得的成就和不足，最后详细地分析了KFCM算法，介绍该法的基本原理及其算法步骤。（3）几种有关CV模型图像分割的算法。由于CV模型具有适应曲线的拓扑变化性质，可以较好在图像边界的分割，探讨该方法的优点和不足，使得识别率和计算效率有所提高。（4）基于KFCM与改进CV模型的Split Bregman图像分割算法研究。首先阐述了Split Bregman的基本原理和过程步骤，然后给出结合KFCM算法与改进CV模型的Split Bregman优化法的过程步骤，并进行一系列仿真实验，将实验结果和已有的一些算法结果进行对比分析，得出取得改善的部分和需要完善的地方。（5）根据以上图像分割算法的研究，进行了分析总结。指出研究的不足和改正完善之处，同时说明今后需要加强算法努力的研究方向。本文的实验在Window XP2002系统下进行的，CPU是AMD Athlon(tm)ⅡX2215,内存大小为1.75GB,运行平台是MatlabR2010A编程实现。对大量仿真实验结果比较分析，验证了该算法的稳定性和有效性。