西安郵電學院
科研训练总结报告书
系部名称：计算机学院
学生姓名：于乐
专业名称：计算机科学与技术
指导老师：刘军
班级：计科0906
学号：04091178
时间：至2012年 10月14日2012年 12月28日
图像分割技术的前景及研究意义：
在计算机视觉，模式识别中，常常要将一些图像分割成一些有意义的区域，或者将图像中的有意义的特征提取出来，以便机械识别和检验。因此，图像分割是图像处理中最基本最重要的技术之一，它是任何理解系统和自动识别系统必不可少的一个重要环节。数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。
图像分割技术的需求分析：
分水岭分割方法：分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。
区域增长算法：对格网数据点逐格网单元扫描，当找不到这样的地物点时结束操作；把这个点同周围的8-邻域点比较，若小于阈值，则合并到同一区域，并对合并的地物点赋予该区域的标记；从新合并的地物点开始，反复进行上述的操作；
反复进行上述两部的的操作，直到不能合并为止；返回最初的操作，寻找新区域出发点。
K均值聚类算法：K-均值聚类算法的基本思想 随机选取 K个点作为初始聚类中心，计算各个样本到聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类，对调整后的新类计算新的聚类中心。如果相邻两次的聚类中心没有任何变化 说明样本调整结束，聚类准则函数已经收敛。 K-均值聚类算法中重要的一步是初始聚类中心的选取，一般是随机选取待聚类样本集的K个样本，聚类的性能与初始聚类中心的选取有关，聚类的结果与样本的位置有极大的相关性。一旦这 K个样本选取不合理，将会增加运算的复杂程度，误导聚类过程，得到不合理的聚类结果。通过粗糙集理论提供，K-均值聚类所需要的初始类的个数和均值，提高了聚类的效率和分类的精度
基于拓扑结构图的分割：定义扫掠面周长在扫掠结点之间的积分为骨架树中分支的面积 并将此面积定义为几何函数 定义拓扑函数为相邻两个扫掠面拓扑差异的符号函数。并定义了基于微分几何和拓扑函数的关键点。整个过程无需用户干涉。
图像分割技术可行性分析：
图像分割技术的研究，了解图像分割技术的实际应用，与图像分割方法，支
持向量机构和原理研究，用Matlab编程实现图像分割技术，具体用支持向量机方法来实现，使用Matlab进行编程。并直观展现图像分割结果。
分水岭算法的可行性实现：分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即
g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5
式中，f(x,y)表示原始图像，grad{.}表示梯度运算。
分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。
为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。
为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割。即
g(x,y)=max(grad(f(x,y)),gθ)
式中，gθ表示阈值。
区域增长算法的可行性实现：1）对格网数据点逐格网单元扫描，当找不到这样的地物点时结束操作；（2）把这个点同周围的8-邻域点比较，若小于阈值，则合并到同一区域，并对合并的地物点赋予该区域的标记；
（3）从新合并的地物点开始，反复进行（2）的操作；
（4）反复进行（2）、（3）的操作，直到不能合并为止；
（5）返回（1）操作，寻找新区域出发点。
K均值聚类算法的可行性实现：第一步：选K个初始聚类中心，z1(1)，z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个模式样本的向量值作为初始聚类中心。
第二步：逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1)。
假设i=j时，，则，其中k为迭代运算的次序号，第一次迭代k=1，Sj表示第j个聚类，其聚类中心为zj。
第三步：计算各个聚类中心的新的向量值，zj(k+1)，j=1,2,…,K
求各聚类域中所包含样本的均值向量：
其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚类中心，可使如下聚类准则函数最小：
在这一步中要分别计算K个聚类中的样本均值向量，所以称之为K-均值算法。
第四步：若，j=1,2,…,K，则返回第二步，将模式样本逐个重新分类，重复迭代运算；
若，j=1,2,…,K，则算法收敛，计算结束。
基于拓扑结构图的分割的可行性实现：通过微积分反复计算定义面积的拓扑
