K均值算法图像分割

图3

图3与图2相比分类结果更好，图像分割效果更明显，更能表现图像特征。边缘更加清晰，分割结果既突出了目标，又保留了细节信息，达到了较好的分割效果。因此，基于粗糙集的K_均值聚类算法可以有效地对灰度图像进行分割，从分割后的图像中可获取更多的目标信息，为进一步的图像分析和理解提供了良好的基础。

继续对多幅图像用上述两种方法进行K-均值聚类分割，得到如下对比图像：

图4

K-均值聚类得到的：

17

图5

根据改进的K-均值算法得到的：

图6

原始图像：

18

图7

K-均值聚类得到的：

图8

根据改进的K-均值算法得到的：

19

图七

3.5分割结果及分析

原始的 K 均值分割方法容易产生过分割，应该合并的区域没有合并，导致这些区域不能组成独立的物体而且原始 K 均值方法也容易产生欠分割，原因是采用的聚类没有考虑各点的位置关系，会产生不相邻的点被归到一个区域，导致区域不连通，通常不连通的区域不能对应一个独立

的物体，影响了后面的检索。改进后的 K 均值算法能分割出普通图像的目标区域，例如， 由于有相似的纹理和颜色、花朵、花叶、黑马、白马、草原、大海、草坪、树等独立完整的有意义的区域可以被分割出来。

试验表明，基于粗糙集理论和K-均值聚类算法的图像分割方法，比随机选取聚类的中心点和个数减少了运算量，提高了分类精度和准确性，而且对于低对比度、多层次变化背景的图像的形状特征提取具有轮廓清晰、算法运行速度快等特点，是一种有效的灰度图像分割算法。

4.本文结论

4.1存在的问题以及对未来的展望

虽然近年来研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大的突破性的进展.仍然存在的问题主要有两个:其一是没有一种普遍使用的分割算法;其二是没有

20