2023/10/1217.8空間聚類

閾值分割概念的推廣 特征值對應特征空間點

直方圖 像素灰度為特征 灰度-梯度散射圖 像素灰度和梯度為特征分割：像素分類 特征空間聚類（取閾值是1-D聚類） 高維空間聚類（分類能力較強）7.8空間聚類1.K-均值聚類——將特征點賦給均值離它最近的類聚類方法將n個數(shù)據(jù)對象劃分為k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。(1)任意選K個初始類均值 (2) 特征點賦類 (3) 更新類均值 (4) 判斷算法收斂1.K-均值聚類——將特征點賦給均值離它最近的類2023/10/125

ISODATA聚類

迭代的方法

調(diào)整聚類模式的平均值聚類方法2023/10/126區(qū)域生長 串行區(qū)域類

基本思想： 將相似象素結(jié)合起來構(gòu)成區(qū)域

基本步驟： (1)選擇區(qū)域的種子象素 (2)確定將相鄰象素包括進來的準則 (3)制定生長停止的規(guī)則7.9區(qū)域生長●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●R1R5R4R3R27.9區(qū)域生長如圖給出已知種子點區(qū)域生長的一個示例。1047510477015552056522564115551155511555115551155511575115771155521555225551111111111111111111111111(a)(b)(c)(d)(a)給出需要分割的圖像，設已知兩個種子象素(標為深淺不同的灰色方塊)，現(xiàn)在進行區(qū)域生長采用的判斷準則是：如果所考慮的象素與種子象素灰度值差的絕對值小于某個門限T，則將該象素包括進種子象素所在的區(qū)域(b)給出T=3時區(qū)域生長的結(jié)果，整幅圖被較好的分成2個區(qū)域(c)給出T=1時區(qū)域生長的結(jié)果，有些象素無法判定(d)給出T=6時區(qū)域生長的結(jié)果，整幅圖都被分成1個區(qū)域。區(qū)域生長法時需要解決三個問題：（1）選擇或確定一組能正確代表所需區(qū)域的種子象素（2）確定在生長過程中能將相鄰象素包括進來的準則（3）制定讓生長過程停止的條件或規(guī)則7.9區(qū)域生長(1)選擇和確定一組能正確代表所需區(qū)域的種子像素一般原則為：

①接近聚類重心的像素可作為種子像素。例如，圖像直方圖中像素最多且處在聚類中心的像素；②紅外圖像目標檢測中最亮的像素可作為種子像素；③按位置要求確定種子像素；④根據(jù)某種經(jīng)驗確定種子像素。⑤迭代－從大到小逐步收縮7.9區(qū)域生長(2)確定在生長過程中能將相鄰像素合并進來的相似性準則。主要有：

①當圖像是彩色圖像時，可以各顏色為準則，并考慮圖像的連通性和鄰近性；②待檢測像素點的灰度值與已合并成的區(qū)域中所有像素點的平均灰度值滿足某種相似性標準，比如灰度值差小于某個值；③待檢測點與已合并成的區(qū)域構(gòu)成的新區(qū)域符合某個大小尺寸或形狀要求等。7.9區(qū)域生長生長準則和過程區(qū)域生長的一個關鍵是選擇合適的生長或相似準則，大部分區(qū)域生長準則使用圖像的局部性質(zhì)。生長準則可根據(jù)不同原則制定，而使用不同的生長準則，將會影響區(qū)域生長的過程。主要介紹3種基本的生長準則和方法基于區(qū)域灰度差基于區(qū)域內(nèi)灰度分布統(tǒng)計性質(zhì)基于區(qū)域形狀基于區(qū)域灰度差區(qū)域生長方法將圖像以象素為基本單位來進行操作基于區(qū)域灰度差的方法主要有如下步驟：

（1）對圖像進行逐行掃描，找出尚沒有歸屬的象素（2）以該象素為中心檢查它的鄰域象素，即將鄰域中的象素逐個與它比較，如果灰度差小于預先確定的閾值，將它們合并（3）以新合并的象素為中心，返回到步驟2，檢查新象素的鄰域，直到區(qū)域不能進一步擴張（4）返回到步驟1，繼續(xù)掃描直到不能發(fā)現(xiàn)沒有歸屬的象素，則結(jié)束整個生長過程步驟采用上述方法得到的結(jié)果，對區(qū)域生長起點的選擇有較大依賴性，為克服這個問題，可采用下面改進方法：這種方法簡單，但由于僅考慮了從一個象素到另一個象素的特性是否相似，因此對于有噪聲的或復雜的圖像，使用這種方法會引起不希望的區(qū)域出現(xiàn)。另外，如果區(qū)域間邊緣的灰度變化很平緩，如圖a所示，或者對比度弱的兩個相交區(qū)域，如圖b所示，采用這種方法，區(qū)域1和區(qū)域2將會合并起來，從而產(chǎn)生錯誤（1）設灰度差的閾值為0，用上述方法進行區(qū)域擴張，使灰度相同象素合并（2）求出所有鄰域區(qū)域之間的平均灰度差，并合并具有最小灰度差的鄰接區(qū)域（3）設定終止準則，通過反復進行上述步驟2中的操作將區(qū)域依次合并，直到終止準則滿足為止區(qū)域1區(qū)域2(a)

區(qū)域2區(qū)域1(b)單連接區(qū)域增長技術(shù)為了克服這個問題，可不用新象素的灰度值去和鄰域象素的灰度值比較，而用新象素所在區(qū)域的平均灰度值去和各鄰域象素的灰度值進行比較對于一個含N個象素的圖像區(qū)域R，其均值為：m=∑Rf(x,y)/N對象素的比較測試可表示為：max|f(x,y)-m|<T,T為給定的閾值R考慮兩種情況：（1）設區(qū)域為均勻的，各象素灰度值為均值m與一個0均值高斯噪聲的疊加，當用上式測試某個象素時，條件不成立的概率為，這就是誤差函數(shù),當T取3倍方差時,誤判概率為1-(99.7%)N，這表明，當考慮灰度均值時，區(qū)域內(nèi)的灰度變化應盡量小P(T)=2∫T∞exp[-z2/(2σ2)]dz/√2πσ（2）設區(qū)域為非均勻的，且由兩部分象素構(gòu)成。這兩部分象素在R中所占的比例分別為q1和q2，灰度值分別為m1和m2，則區(qū)域均值為q1m1+q2m2。對灰度值為m1的象素，它與區(qū)域均值的差為：Sm=m1-(q1m1+q2m2)根據(jù)測試準則，可知正確判決的概率為：P(T)=[P(|T-Sm|)＋P(|T+Sm|)]/2這表明，當考慮灰度均值時，不同部分象素間的灰度差應盡量大混合連接區(qū)域增長技術(shù)實例設一幅圖像，如圖(a)所示，檢測灰度為9和7，平均灰度均勻測度度量中閾值K取2，分別進行區(qū)域增長55864897228533335586489722853333558648972285333355864897228533335586489722853333(a)原圖(b)(c)(d）(e)在原圖(a)中，以9為起點開始區(qū)域增長，第一次區(qū)域增長得到3個灰度值為8的鄰點，灰度級差值為1，如圖(b)所示，此時這4