论文部分内容阅读
图像分割作为图像处理的首要步骤,是后续进行图像分析与模式识别的基础。随着科技的发展,灰度图像所能提供的图像信息愈发难以满足人们的需求,因此人们将视线越来越多的聚集在彩色图像上。FCM与k-means算法作为最为经典的两种聚类分割技术,具有实现简单并能够获得有效聚类结果的特点。但是由于彩色图像的复杂性以及受到噪声等因素的干扰,在实际的分割任务中仍然会存在聚类结果不准确的缺陷。(1)针对FCM聚类算法在彩色图像分割任务中存在的易受噪声干扰、分割不准确的缺点,本文提出了一种将改进SLIC算法与迁移学习相结合对FCM算法的聚类性能进行优化的分割方法。本算法将原图像经过FCM算法获得的聚类中心作为历史知识,将经过SLIC算法处理的图像作为目标域,通过结合了迁移机制的FCM算法完成分割任务。此外,本算法针对SLIC算法在彩色图像边缘处不贴合的缺陷,通过提高亮度在颜色距离衡量中所占比重的方式进行了改进,改进后的SLIC算法与原算法相比在边界模糊处具有更贴合的边缘。实验结果表明,与经典FCM算法以及结合了SLIC超像素的FCM算法相比,本算法均表现出了较优的聚类性能,并且对图像的分割结果也更加精确。(2)k-means++是一种经过初始化策略改进的算法,该算法为初始聚类中心提供了一种较优的选择机制,避免了人为选取初始聚类中心的随机性带来的负面影响。但该算法仍存在分割结果不准确的缺点,甚至会出现误分割的现象。因此,本文将k-means++算法与超像素算法以及迁移学习原理相结合实现图像分割的目的。超像素算法能够更充分发掘与运用像素之间的空间组织关系。迁移学习部分则能够将历史知识加入到当前的分割任务中为分割结果进行修正,本文根据所依赖的聚类算法提出适用于当前情境的迁移机制。由于源领域与目标领域的数据存在几何分布上的相似性,因此根据该几何相似策略,本文通过在k-means++算法中加入惩罚项的方式,使其具有知识迁移的能力。实验结果表明,本算法能有效改善k-means++算法的误分割现象,提高图像分割准确度。