發(fā)布時(shí)間：2021-02-06 01:53

　　隨著人工智能的飛速發(fā)展,對(duì)圖像采集與處理的要求不斷提高,其中作為圖像預(yù)處理階段的圖像分割工作顯得尤為重要。圖像分割就是將圖像根據(jù)不同的特點(diǎn)劃分成不同的區(qū)域,目的就是將目標(biāo)與背景分離,從而為后續(xù)的分析做準(zhǔn)備。由于受到設(shè)備和自然條件的影響,采集到的數(shù)字圖像會(huì)產(chǎn)生不同類型的噪聲,噪聲問題成為圖像分割算法的難點(diǎn)之一。在諸多圖像分割算法中,模糊聚類算法是應(yīng)用最廣泛的算法之一,該算法擁有易實(shí)現(xiàn)、算法復(fù)雜度低等優(yōu)點(diǎn)。然而由于沒有充分考慮像素點(diǎn)空間鄰域信息,使得算法易受噪聲干擾,抗噪性較差。因此,本文通過提高模糊聚類算法的空間信息利用率,通過鄰域信息屏蔽噪聲的干擾,從而提高算法的抗噪性。本文的主要工作如下。（1）利用核函數(shù)非線性映射像素點(diǎn),通過核函數(shù),將圖像像素點(diǎn)由低維空間映射到高維空間,將原先線性不可分的像素點(diǎn)轉(zhuǎn)化為線性可分的像素點(diǎn),優(yōu)化算法分割性能。（2）利用馬氏距離替換原有的歐式距離作為高維空間距離量度。馬氏距離能有效地描述兩個(gè)樣本點(diǎn)之間的全局性關(guān)系,可提升算法空間信息利用率,提高圖像分割算法的抗噪性。（3）利用馬爾科夫隨機(jī)場(chǎng)提高模糊聚類算法抗噪性。利用馬爾科夫隨機(jī)場(chǎng)模型的空間相關(guān)性和對(duì)狀態(tài)的準(zhǔn)... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景與意義
    1.2 模糊聚類算法的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 模糊聚類算法的分割效果研究
        1.2.2 模糊聚類算法的抗噪性
        1.2.3 基于核函數(shù)的模糊聚類算法
        1.2.4 基于馬氏距離的模糊聚類算法
        1.2.5 基于馬爾科夫隨機(jī)場(chǎng)的模糊聚類算法
    1.3 論文的主要研究?jī)?nèi)容與論文結(jié)構(gòu)安排
第2章 模糊聚類圖像分割算法的理論基礎(chǔ)
    2.1 模糊聚類算法
    2.2 核函數(shù)與馬氏距離
        2.2.1 核函數(shù)
        2.2.2 馬氏距離
    2.3 馬爾科夫隨機(jī)場(chǎng)
        2.3.1 馬爾科夫性質(zhì)
        2.3.2 鄰域與基團(tuán)
        2.3.3 吉布斯隨機(jī)場(chǎng)
    2.4 評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第3章 基于MRF與模糊聚類的圖像分割算法
    3.1 基于核函數(shù)與模糊聚類的圖像分割算法
    3.2 基于馬爾科夫隨機(jī)場(chǎng)的模糊聚類算法
        3.2.1 馬爾科夫隨機(jī)場(chǎng)先驗(yàn)概率
        3.2.2 MKMFCM算法目標(biāo)函數(shù)
    3.3 MKMFCM算法流程
        3.3.1 初始聚類中心選取
        3.3.2 MKMFCM算法流程
    3.4 本章小結(jié)
第4章 MKMFCM算法實(shí)驗(yàn)及其結(jié)果分析
    4.1 MKMFCM算法參數(shù)實(shí)驗(yàn)
        4.1.1 模糊加權(quán)系數(shù)選取實(shí)驗(yàn)
        4.1.2 調(diào)整系數(shù)選取實(shí)驗(yàn)
        4.1.3 勢(shì)團(tuán)參數(shù)選取實(shí)驗(yàn)
    4.2 抗噪性實(shí)驗(yàn)
        4.2.1 模擬噪聲圖像抗噪性實(shí)驗(yàn)
        4.2.2 Berkeley圖像分割數(shù)據(jù)庫圖像抗噪性實(shí)驗(yàn)
    4.3 本章小結(jié)
總結(jié)和展望
參考文獻(xiàn)
致謝
附錄A 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]快速魯棒核空間模糊聚類分割[J]. 吳其平,吳成茂.  中國(guó)圖象圖形學(xué)報(bào). 2018(12)
[2]動(dòng)態(tài)匹配核函數(shù)圖像檢索[J]. 洪睿,康曉東,李博,王亞鴿.  中國(guó)圖象圖形學(xué)報(bào). 2018(12)
[3]組合全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)的道路分割[J]. 宋青松,張超,陳禹,王興莉,楊小軍.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(08)
[4]一種基于LBP和馬爾科夫特征的細(xì)縫裁剪取證方法[J]. 郭繼昌,王秋子,趙潔,祁清.  電子科技大學(xué)學(xué)報(bào). 2018(04)
[5]基于DDS的像質(zhì)處理提升仿真系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 朱曉攀,陳實(shí).  系統(tǒng)工程與電子技術(shù). 2018(08)
[6]智能攝影測(cè)量和圖像處理在高分辨率光學(xué)遙感影像處理中的應(yīng)用——CRC-AGIP實(shí)驗(yàn)室的案例[J]. Yun ZHANG.  測(cè)繪學(xué)報(bào). 2018(06)
[7]基于自適應(yīng)區(qū)域限制FCM的圖像分割方法[J]. 李磊,董卓莉,張德賢.  電子學(xué)報(bào). 2018(06)
[8]多路徑高斯核模糊C均值聚類算法[J]. 文傳軍,汪慶淼.  計(jì)算機(jī)工程與科學(xué). 2018(05)
[9]面向結(jié)構(gòu)復(fù)雜數(shù)據(jù)集的模糊聚類有效性指標(biāo)[J]. 唐益明,豐剛永,任福繼,胡相慧,張有成.  電子測(cè)量與儀器學(xué)報(bào). 2018(04)
[10]合成孔徑雷達(dá)圖像分割研究進(jìn)展[J]. 萬玲,尤紅建,程躍兵,盧曉軍.  遙感技術(shù)與應(yīng)用. 2018(01)

博士論文
[1]分?jǐn)?shù)階高斯隨機(jī)場(chǎng)中的長(zhǎng)記憶性研究[D]. 吳量.中國(guó)科學(xué)院研究生院(武漢物理與數(shù)學(xué)研究所) 2016
[2]基于聚類分析的圖像分割算法研究[D]. 許曉麗.哈爾濱工程大學(xué) 2012

碩士論文
[1]低截獲基帶混合信號(hào)設(shè)計(jì)及其低復(fù)雜度接收算法研究[D]. 陳丹.電子科技大學(xué) 2018
[2]基于癡呆癥磁共振影像數(shù)據(jù)挖掘的腦年齡檢測(cè)方法研究[D]. 李帆.重慶大學(xué) 2017
[3]基于類內(nèi)類間距離的模糊聚類算法及圖像分割應(yīng)用[D]. 劉璐.西安郵電大學(xué) 2016
[4]支持向量機(jī)核函數(shù)及關(guān)鍵參數(shù)選擇研究[D]. 尹嘉鵬.哈爾濱工業(yè)大學(xué) 2016
[5]基于尺度間上下文關(guān)系模型的動(dòng)態(tài)紋理分割[D]. 陳立秋.哈爾濱工程大學(xué) 2016
[6]基于支持向量機(jī)特征選擇的移動(dòng)通信網(wǎng)絡(luò)問題分析[D]. 周瑞.華南理工大學(xué) 2015
[7]合理利用空間信息的模糊C均值腦部MR圖像分割算法研究[D]. 王媛媛.西安電子科技大學(xué) 2012



本文編號(hào)：3019949