图像分割是一种重要的预处理技术,被广泛地应用于计算机视觉的各个领域。随着人工智能的发展对图像研究方法的需求量在不断增加,各类图像分割方法层出不穷,其中基于聚类的图像分割方法由于思想简单,得到了研究者极高的重视。因此论文在前人研究的基础上结合密度峰值聚类的优势提出了新的图像分割算法。论文主要内容包括:1.论文提出基于密度峰值聚类的图像分割算法。论文首先针对传统的密度峰值聚类的截断距离依据经验取值以及其聚类中心靠人工选取的弊端,提出了改进的密度峰值聚类方法:通过引入信息熵来获得自适应的截断距离,同时根据斜率来自动选取聚类中心。然后,将改进的密度峰值聚类算法应用到彩色图像分割上。该方法首先将图像的像素点作为密度峰值聚类的数据输入,通过密度峰值聚类处理后,将聚类产生的子集用不同的颜色标示,然后寻找目标对应的子集并展示从而实现图像分割。最后,实验验证了该方法的可行性。2.针对在基于密度峰值聚类的图像分割算法中分割图片时间开销大的问题,论文提出了基于网格和密度峰值聚类的图像分割算法。网格可以在一定程度上将大数据量转换为小数据量。该方法将网格思想应用于图像分割的预处理部分,首先将图像进行规则化的网格划分并计算网格的颜色值,然后将网格作为基本元素来进行密度峰值聚类,从而实现图像分割。但是这种方法容易导致分割图像边界模糊,因此在已提出的基于网格与密度峰值聚类的图像分割方法的基础上,论文进一步提出基于简单线性迭代聚类和密度峰值聚类的图像分割算法。简单线性迭代聚类可以在减少图像分割的像素量的同时保留图像的边缘信息。该方法选取合适的种子数,对图像的像素点进行简单线性迭代聚类,得到相应的超像素块并计算超像素块的颜色值,然后将超像素块作为基本元素来进行密度峰值聚类,从而实现图像分割。最后,实验验证了方法的有效性。