基于密度峰值聚类的图像分割方法研究

发布时间：2021-01-23 01:48

　　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... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

数据分布图

17图 2.2 决策图中得到聚类中心后，对于其他非聚类中心的样本点按序依次将其划分到密度更高且距离最近的聚类中，得到法具有优良的性能，但也存在如下不足：1)度量样本密果的不同；2)局部密度的大小易受截断距离的影响；3)连带错误，即一个样本的分配错误，会导致一系列分配理论中，信息熵经常作为一种度量系统不确定性的度量方属性取值的不确定性程度越大，表明系统越混乱，在该

思路直观明快，容易理解 时间复杂度高DPC 极其容易受到截断距离 dc的影响，在聚类时截断距离 dc取得过大或者小都会影响聚类效果。在极端的情况下，如果 dc小于样本点间的最小距离时，个数据点单独是一类；而如果 dc大于样本点间最大距离，整个数据集为一类。献[47]建议选取将样本点根据距离升序排列后的前 2%处样本点的距离。在真实据集上 DPC 按照该原则来选取的 dc聚类效果可能不够好。将密度峰值聚类局部度和相对距离分别为横轴和竖轴画出决策图，一般人工选取局部密度和相对距较大的点作为聚类中心，这种选取聚类中心的方法很容易造成中心选取失效。真实数据集上，DPC 的这两种弊端较易造成聚类效果差。图 3.1 为真实数据集截断距离选取 2%时的错误聚类效果展示。在图 3.1 中明显可惜观察出传统的 D有将明显是一类数据错误的划分为了两类，聚类边界交叉，数据混乱等弊端。


本文编号：2994302