基于小波聚類的圖像分割算法因其具有運(yùn)行速度快和可以有效提取目標(biāo)區(qū)域的優(yōu)點而受到廣泛地關(guān)注。但是小波聚類算法本身存在難以確定劃分閾值和聚類精度低的缺點,使用小波聚類進(jìn)行圖像分割得到的分割結(jié)果中存在部分體積效應(yīng)和孤立噪聲的問題。因此,本文首先對小波聚類做出改進(jìn)。在改進(jìn)的小波聚類中,將小波域中發(fā)現(xiàn)的簇類映射回網(wǎng)格空間后,依據(jù)網(wǎng)格單元間的相似度將處于簇類邊緣的網(wǎng)格單元合并到簇類中,提高了小波聚類的聚類精度。然后將最大模糊相關(guān)引入改進(jìn)的小波聚類算法,提出模糊相關(guān)小波聚類,通過最大模糊相關(guān)算法為小波聚類確定劃分閾值,彌補(bǔ)了小波聚類中依賴劃分閾值的不足。最后將模糊相關(guān)小波聚類引入彩色圖像分割領(lǐng)域,提出一種基于模糊相關(guān)和小波聚類的圖像分割算法（Fuzzy Correlation and Wave Cluster,FCWC）。在FCWC算法中,首先對圖像進(jìn)行主結(jié)構(gòu)提取,得到紋理抑制的主結(jié)構(gòu)圖像;隨后將主結(jié)構(gòu)圖像劃分為若干超像素,解決小波聚類在圖像分割過程中產(chǎn)生部分體積效應(yīng)的問題;然后,簡化超像素的顏色特征,計算超像素權(quán)重;最后使用模糊相關(guān)小波聚類算法得到聚類標(biāo)簽,將標(biāo)簽賦予特征點對應(yīng)的超像素,得到最終的... 

【文章來源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

Cohen-Daubechies-Feauveau(2,2)雙正交小波Figure2.1Cohen-Daubechies-Feauveau(2,2)

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文34波聚類算法中圍繞著高密度區(qū)域的低密度區(qū)域都被判別為了噪聲，即簇類的邊緣處均被識別為了噪聲，這直接導(dǎo)致小波聚類結(jié)果的精度不高。而改進(jìn)的小波聚類在有效地識別出了相近的簇的基礎(chǔ)上，通過拓展簇類邊緣，使得聚類結(jié)果較傳統(tǒng)小波聚類在精度上有了明顯提升，得到了最好的聚類結(jié)果。圖4.1五種算法在Flame數(shù)據(jù)集中的聚類結(jié)果Figure4.1ClusteringresultsoffivealgorithmsinFlamedataset圖4.2五種算法在Aggregation數(shù)據(jù)集上的聚類結(jié)果Figure4.2ClusteringresultsoffivealgorithmsinAggregationdataset（a）Aggregation數(shù)據(jù)集（b）K-means算法（c）譜聚類算法（d）DBSCAN算法（e）小波聚類算法（f）本文算法（a）Flame數(shù)據(jù)集（b）K-means算法（d）DBSCAN算法（e）小波聚類算法（f）本文算法（c）譜聚類算法

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文34波聚類算法中圍繞著高密度區(qū)域的低密度區(qū)域都被判別為了噪聲，即簇類的邊緣處均被識別為了噪聲，這直接導(dǎo)致小波聚類結(jié)果的精度不高。而改進(jìn)的小波聚類在有效地識別出了相近的簇的基礎(chǔ)上，通過拓展簇類邊緣，使得聚類結(jié)果較傳統(tǒng)小波聚類在精度上有了明顯提升，得到了最好的聚類結(jié)果。圖4.1五種算法在Flame數(shù)據(jù)集中的聚類結(jié)果Figure4.1ClusteringresultsoffivealgorithmsinFlamedataset圖4.2五種算法在Aggregation數(shù)據(jù)集上的聚類結(jié)果Figure4.2ClusteringresultsoffivealgorithmsinAggregationdataset（a）Aggregation數(shù)據(jù)集（b）K-means算法（c）譜聚類算法（d）DBSCAN算法（e）小波聚類算法（f）本文算法（a）Flame數(shù)據(jù)集（b）K-means算法（d）DBSCAN算法（e）小波聚類算法（f）本文算法（c）譜聚類算法

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)飛蛾撲火算法的多閾值彩色圖像分割[J]. 馬軍,賈鶴鳴.  計算機(jī)應(yīng)用與軟件. 2020(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的雙行車牌分割算法[J]. 趙漢理,劉俊如,姜磊,沈建冰,胡明曉.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2019(08)
[3]基于混合自動編碼器道路語義分割方法研究[J]. 周飛,唐建,楊成松,芮挺.  計算機(jī)工程與科學(xué). 2019(08)
[4]面向衛(wèi)星云圖及深度學(xué)習(xí)的臺風(fēng)等級分類[J]. 鄒國良,侯倩,鄭宗生,黃冬梅,劉兆榮.  遙感信息. 2019(03)
[5]基于自適應(yīng)濾波的快速廣義模糊C均值聚類圖像分割[J]. 王小鵬,張永芳,王偉,文昊天.  模式識別與人工智能. 2018(11)
[6]融合最小生成樹和四叉樹的圖割圖像分割方法[J]. 彭智東,宣士斌.  計算機(jī)技術(shù)與發(fā)展. 2018(12)
[7]模糊相關(guān)圖割的非監(jiān)督層次化彩色圖像分割[J]. 尹詩白,孔垂涵,王一斌.  中國圖象圖形學(xué)報. 2018(09)
[8]結(jié)合位圖切割和區(qū)域合并的彩色圖像分割[J]. 任大勇,賈振紅,楊杰,Nikola Kasabov.  計算機(jī)工程與應(yīng)用. 2019(02)
[9]多梯度融合的RGBD圖像邊緣檢測[J]. 王江明,余燁,金強(qiáng),李冰飛.  電子測量與儀器學(xué)報. 2017(03)
[10]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學(xué)報. 2017(01)

碩士論文
[1]非監(jiān)督聚類算法在巖石圖像分析中的應(yīng)用研究[D]. 宋博敬.西安石油大學(xué) 2019
[2]基于顯著性和自適應(yīng)小波閾值的皮膚鏡圖像分割研究[D]. 劉思.湘潭大學(xué) 2019
[3]基于聚類學(xué)習(xí)的目標(biāo)分割質(zhì)量評價方法研究[D]. 孫昊.西南交通大學(xué) 2019
[4]基于語義分割的大規(guī)模圖片搜索技術(shù)研究[D]. 張松.南京郵電大學(xué) 2018
[5]碑帖圖像文字的分割與提取[D]. 張一夫.哈爾濱工業(yè)大學(xué) 2013



本文編號：3010081