基于K_means和GVFSnake模型的纤维图像分割

合集下载

Snake模型在医学图像分割中的应用

Snake模型在医学图像分割中的应用
王建伟
【期刊名称】《《电脑知识与技术》》
【年(卷),期】2009(005)012
【摘要】基于Snake模型的图像分割技术是比较成功的研究领域,也是近年来图像处理领域研究的热点之一。

Snake模型将基于图像本身的底层的视觉属性和人们先验知识结合起来,针对各种图像的不同特点,从高层和底层两个方面约束图像分割的过程。

通过对Snake模型的基本原理及其几种改进的概括研究,阐述了Snake模型在图像分割中的一些应用方法。

【总页数】3页(P3216-3218)
【作者】王建伟
【作者单位】华北水利水电学院研究生处河南郑州 450011
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种改进的Snake模型及其在医学图像分割中的应用 [J], 刘钊;王惠南
2.局部熵驱动的GAC模型在生物医学图像分割中的应用 [J], 王顺凤;冀晓娜;张建伟;陈允杰;方林
3.多元Chebyshev正交多项式混合模型及其在医学图像分割中的应用 [J], 刘哲;宋余庆;宋旼珊
4.活动轮廓模型在医学图像分割中的应用及发展 [J], 王建华;姜红
5.医学图像分割处理中改进型PCNN模型的应用综述 [J], 石斌
因版权原因，仅展示原文概要，查看原文内容请购买。

K-Means聚类算法和人工鱼群算法应用于图像分割技术

ＣＨＵＸｉａｏ．Ｌｉ
（ＧｕａｎｇｄｏｎｇＡＩＢＰｏｌｙｔｅｃｈｎｉｃＣｏｌｌｅｇｅ，Ｇｕａｎｇｚｈｏｕ５１０５０７，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＴｈｅｐａｐｅｒｐｒｅｓｅｎｔｓａｌｌａｒｔｉｉｃｆｉａｌｉｓｆｈｓｗａｒｍａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＫ－Ｍｅｎｓａｃｌｕｓｔｅｒｉｎｇ．Ｔｈｅａｌｇｏｒｉｔｈｍｕｓｅｓｈｅｔ
ｉｎｉｔｉａｌｐＯｉｎｔｓｅｌｅｃｔｅｄｕｎｓｔａｂｌｅ．Ｔｈｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｉｓｐｒｏｃｅｓｓｅｄｂａｓｅｄｏｎｈｅｔｆｕｓｉｏｎｏｆｔｗｏａｌｇｏｒｉｔｈｍｓ．Ｔｈｅｔｅｓｔ
整定，短期负荷预测中，均有了较为深入的研究，且
取了一定的成果．
Ｋ－Ｍｅａｎｓ聚类算法及改进方法已在图像分割中得到了广泛的应用，该分割方法将图像作为一个图像特征向量几何，把图像分割任务转化成对数据集合的聚类任务【３】．ｋ－ｍｅａｎｓ聚类算法的初始点选择不稳定，是随机选
摘
要：提出一种基于Ｋ－Ｍｅａｎｓ聚类的人工鱼群算法，该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最
优值的特点，动态的确定了聚类的数目和中心，解决了Ｋ．Ｍｅａｎｓ聚类初始点选择不稳定的缺陷，在此两种算法融合的基础上进行图像分割处理，经试验证明该算法效果理想．关键词：图像分割技术；Ｋ．Ｍｅａｎｓ聚类算法；人工鱼群算法

直播案例K-Means的Python实现及在图像分割和新闻聚类中的应用

直播案例K-Means的Python实现及在图像分割和新闻聚类中的应⽤K-Means 是⼀种最经典和常⽤的聚类⽅法。

它通过多轮迭代的⽅式不断更新不同类样本的中⼼，计算样本到每个中⼼的距离，然后更新样本所属的类。

最终能够把样本划分到 K 个类中。

本案例中，我们⾸先使⽤Python 实现 K-Means 算法，基于⼀份随机数据集，使⽤动画演⽰聚类过程和优化⽬标的变化。

然后将 K-Means 应⽤于图像分割问题。

最后我们还将使⽤⼀份中⽂新闻数据集，⽤ K-Means 算法进⾏⾃动新闻主题聚类，并使⽤柱状图和词云图对聚类结果进⾏可视化分析。

1 实现 K-Means 算法K-Means 算法的基本运⾏流程为：1 随机选择个点作为初始中⼼2 Repeat：2.1 将每个样本指派到最近的中⼼，形成个类2.2 重新计算每个类的中⼼为该类样本均值3 直到中⼼不发⽣变化在整个算法中，2.1 步骤运算量最⼤，因为该步骤需要计算每⼀个样本到个中⼼的距离。

假设我们的数据集表⽰为Pandas 的 DataFrame 格式X。

要实现每个样本到中⼼的距离计算，可以有多种实现⽅式。

最简单的是通过 for 循环遍历X的每⼀⾏，计算每⼀⾏到中⼼的距离。

为了提⾼运算效率，我们可以借助 DataFrame 的apply函数加快运算。

Numpy 是 Python 中矩矩阵运算的⾼效⼯具，我们也可以使⽤矩阵运算的⽅式来实现样本到中⼼的距离计算。

下⾯，我们分别来看下这三种实现⽅法。

1.1 使⽤iterrows遍历的⽅式实现假设我们使⽤欧式距离计算样本到中⼼的距离。

对于样本维样本到中⼼的欧式距离计算公式为：使⽤最简单的⽅式来实现，先⽤⼀个函数point_dist计算⼀个样本到中⼼的距离。

这⾥我们使⽤ Numpy 的线性代数模块linalg中的norm⽅法。

import numpy as npdef point_dist(x,c): #定义距离计算函数return np.linalg.norm(x-c)然后使⽤iterrows⽅法遍历样本计算样本到中⼼的距离，定义k_means_iterrows⽅法实现 K-Means 算法。

图像分割之Snake模型汇总

这些点首尾以景直线相连构成轮廓案线，其中x(s)和果y(s)分别表示每个结控
制点在图像中的坐标位置。
s 是以傅立叶变换形式描述边界的自变量。
Snake Model (蛇模型)
在Snakes的控制点上定义能量函数（反映能量与轮廓之间的关系）：
研究方
研究成
研究总
其中第1项称为弹性能量是v的案一阶导数的模，第果2项称为弯曲能量结，
图像分割之 Snake模型
Introduction (算法简介)
Snake模型是Kass等人在1982年首次提出的基于能量泛函的图像分割方
法，广泛应用于计算机视觉及图像处理，如边缘检测、图像分割、运动
跟踪等，特别应用于图像中感兴趣目标轮廓的提取。
研究背
研究方
研究成
研究总
简单的来讲景，Snake模型就是案一条可变形的参果数曲线及相应的能结量函数，
Key (关键)
那现在关键就在于：
1）这个轮廓研我究们背怎么表示；研究方
研究成
2）这些力怎么景构造，构造哪些案力才可以让目标轮果廓这个地
方的能量最小？
研究总结
Snake Model (蛇模型)
Snakes模型由一组控制点：
研究背v(s)=[x(s研),究y(方s)] s∈[0研, 究1]成
研究总
研究背
研究方
研究成
研究总
在一能个量光函滑数的极圆景小，化弯过曲程能中量，（第弹二性案项能）量驱（使第一轮项廓）线果迅成速为光把滑轮曲廓线线或压直缩结线成，
而图像力（第三项）则使轮廓线向图像的高梯度位置靠拢。
Snake Model (蛇模型)
构造Snake模型的目的是为了调和上层知识和底层图像特征这一对矛盾。

基于K_means和GVFSnake模型的纤维图像分割

第37卷第1期2011年2月东华大学学报(自然科学版)JOU RNAL OF DONGHU A UNIVERSITY(NATURAL SCIENCE)Vol 37,No.1Feb.2011文章编号:1671 0444(2011)01 0066 06基于K means和GV F Snake模型的纤维图像分割*韩海梅,姚砺,万燕(东华大学计算机科学与技术学院,上海201620)摘要:在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K means和GVF (Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K m eans聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.关键词:纤维图像;Snake模型;GVF Snake模型;K means聚类分割;轮廓跟踪中图分类号:TP391.41 文献标志码:AFiber Image Segmentation Based on K means and GVF Snake ModelH AN H ai mei,YAO L i,WA N Yan(Schoo l o f Co mputer Science and Technolog y,Donghua University,Shanghai201620,China)Abstract:In the automatic fiber classificatio n sy stem based on im ag e processing technolo gy,to seg ment a com plete and continuo us fiber is the cr itical task.Acco rding to the impact of little gray scale differences betw een image backg round and fo reground and uneven illumination,a new fiber im age seg mentation algorithm based on K means and GVF(Gradient Vector Flow)Snake m odel is proposed.T he K means clustering seg mentation is used to o btain the initial co arse co ntour o f fiber firstly,then the GVF Snake algorithm is applied to calculate the accur ate fiber contour.Due to the no ise o f fiber micro graphic imag e, som e fiber co ntours have burrs,w hich can be r em oved by co ntour tracing metho d.T he experimental result show s that this algo rithm is effectively and accurately,w hich can not o nly extract the complete and continuous fiber contour,but also depress the noise o f fiber image.Key words:fiber imag e;Snake mo del;GVF Snake model;K means clustering seg mentatio n;contour tr acing天然纤维和人造纤维的混纺比是纺织品质量检验的一项重要指标.传统的纤维类型识别方法一般是人工或半自动的,不仅费时费力,而且精度低、数据稳定性差.采用计算机技术对纤维进行自动识别,可以有效、方便地检验纤维产品的各项指标.基于图像处理技术的纤维图像自动识别系统*收稿日期:2010 02 22基金项目:中央高校基本科研业务费专项资金资助项目作者简介:韩海梅(1984 ),女,山东菏泽人,硕士,研究方向为图像处理.E m ail:hanhaimei@ 姚砺(联系人),男,副教授,E mail:yaolid hu2006@第1期韩海梅,等:基于K means 和GVF Snake 模型的纤维图像分割67包括图像预处理、纤维图像分割、纤维分离、特征参数提取、分类识别和统计等部分.预处理的任务是去除光照不均等不利于后续处理的因素;纤维图像分割的主要工作是将纤维从背景中分割出来;纤维分离的任务是将有粘连的纤维分离开;特征参数提取是提取单个纤维的有效特征,通过特征识别纤维的类型;分类识别和统计是在提取的特征参数的基础上识别纤维类型,统计各类型纤维的个数.纤维图像分割位于特征参数提取、分类识别和纤维计数等处理之前,是所有后续工作的基础;纤维分离是基于欧氏距离变换的,需要清晰完整的纤维边缘为参照;特征参数提取是在纤维的完整轮廓的基础上进行提取的.所以,纤维图像分割的质量直接影响后续处理,是实现纤维图像自动分析识别系统首先需要完成的问题.虽然目前已出现多种图像分割方法,但由于所处理的图像对象不同,每种方法的分割质量只能根据具体图像分割的用途而定[1].常用的图像分割方法有基于轮廓的分割方法和阈值分割方法.一般而言,基于轮廓的分割方法通常是先根据图像边缘特征选择某个算子,检测出图像的边缘,再采用轮廓跟踪技术或轮廓提取技术获得目标轮廓[2].图1是分别采用Sobel 算子、Log 算子和Canny 算子求得的纤维图像边缘结果,可以看出,由于受纤维图像的光照不均、图像背景和前景的灰度差别小等影响,边缘检测算子检测出来的边缘存在虚假边缘、双边缘、不连续等不足,这给后续纤维图像处理带来很大的困难.图2是常用的阈值分割算法[3 6]用于纤维图像的分割结果,可以看出部分纤维图像可以得到较好的分割结果,但由于纤维图像中光斑、光照不均等不利于识别的因素的存在,部分纤维分割后轮廓不连续,因此,常用的阈值分割算法不能满足纤维图像分割的连续性要求.由于后续的纤维周长、面积等计算都要求纤维轮廓必须是连续的,文献[7 10]提出了利用形态学、模糊判断、曲线拟合等方法进行边缘连接,但这些方法自适应程度较弱,且计算复杂,特别是对复杂轮廓的提取,用这些方法难以解决问题.本文针对现有方法的不足,根据K m eans 分割结果定位精确,但是分割结果不连续;GVF (Gr adient Vector Flow )Snake 模型能自主收敛成封闭轮廓线,但定位精度不高的特点,将两者进行融合,取长补短,解决纤维图像分割不连续问题.该方法首先利用K means 聚类算法将原图进行分割,然后运用轮廓跟踪算法跟踪出K means 聚类分割得到的分割线,选取最长的分割线作为GVF Snake 的初始轮廓线,接着运用GVF Snake 模型求出精确的图像轮廓线来分割纤维图像.由于纤维图像中存在噪声,部分纤维图像的分割线上可能存在毛刺,利用轮廓跟踪算法将其剔除,使求得的轮廓线是闭合连续的.图1 通过微分算子计算纤维图像所得边缘比较F ig.1 T he co mpar ison of fiber imag e edge detectionby different ial o per ator1 融合K means 和GVF Snake 模型的纤维图像分割1.1 K means 分割算法确定纤维区域K m eans 聚类算法[11]是一种经典的聚类分割算法,其核心思想是把一个数据对象划分为k 个聚类,使每个聚类中的数据点到该聚类中心的平方和最小.每个聚类的中心可以通过使式(1)值最小化而获得:68 东华大学学报(自然科学版)第37卷图2 纤维图像的阈值分割结果比较Fig.2 T he compariso n o f fiber imag e results used threshold segmentatio n a lg orithmsV=ki=1xj!Si(x j- i)2(1)其中:S i是k个聚类,i=1,2,∀,k; i是第i个聚类中所有点的中心点;x j是数据点,j=1,2,∀,n,n表示数据点的个数.聚类个数k的选取直接影响到图像分割的最终结果.k值过大将会造成图像的过度分割,即将图像分割成过多的区域,而如果k值过小,则会造成图像的误分或分割过于粗糙达不到要求,以致影响后面对图像的分析和认识.根据本文所要处理的纤维图像特点,选择k![2,4].图3是利用K m eans 聚类算法对纤维图像分割的结果,可以看出,虽然Kmeans聚类分割的结果不能体现纤维的准确形状,但其定位较精确,可以将图像的背景和前景大致分开.但K means聚类分割结果并没有精确地将纤维轮廓提取出来,如果直接对这个分割结果进行后续处理,会影响纤维识别的准确率.图3 纤维图像的K means分割结果F ig.3 F iber imag e results used K meansseg mentation1.2 GVF Snake模型原理与改进1987年,KASS等[12]提出基于目标轮廓曲线能第1期韩海梅,等:基于K means 和GVF Snake 模型的纤维图像分割69量函数的Snake 模型(即活动轮廓线模型),该模型对图像的噪声和对比度不敏感,能将目标从复杂的背景中分割出来,并能有效地跟踪目标的形变和非刚体的复杂运动,被广泛用于图像分割和物体跟踪等图像处理领域.Snake 模型的基本思想:首先在图像上给出一条闭合的轮廓曲线,即Snake 模型的初始轮廓线,这条曲线在内部力、外部力和约束力的作用下,主动地向感兴趣的目标区域附近的轮廓边界移动,通过求解轮廓曲线能量函数的极小化,完成对图像的分割.传统的Snake 模型要求初始轮廓线的位置必须非常靠近物体轮廓的位置,但在实际操作中,仅仅靠人机交互,并不能很好地达到这一要求,这样就很难得到正确的分割结果;另外,传统的Snake 模型无法捕获凹陷边界,如#U ∃型轮廓.1998年,XU 等[13]提出了GVF 方法,较成功地解决了凹陷轮廓检测和初始轮廓线的确定问题,使Snake 模型得到进一步完善.GVF Snake 模型又称梯度矢量流Snake 模型,假设f (x ,y )是图像I (x ,y )的轮廓图像,则 f (x ,y )是f (x ,y )的梯度场,GVF Snake 模型中把梯度场 f (x ,y)向图像边缘扩散,从而形成扩散梯度矢量流场V(x ,y )=u(x ,y ),v(x ,y ),此时,图像轮廓线的能量函数为:=%%(u 2x +u 2y +v 2x +v 2y )+| f |2|V - f |2d x d y (2)其中: 是参数,用来权衡式(2)的前后两项, 的大小根据图像噪声大小确定,一般情况下,当噪声比较大时, 取值也相应较大.为获得GVF 力场,利用微积分中的变分法求解欧拉方程2u -(u -f x )(f 2x +f 2y )=0(3) 2v -(v -f y )(f 2x +f 2y )=0(4)其中: 2是拉普拉斯算子.为求解式(3)和(4)得到GV F 力场,将u 和v 看成关于时间t 的函数,即u x (x ,y ,t)= 2u(x ,y ,t)-[u(x ,y ,t)-f x (x ,y)]&[f x (x ,y )2+f y (x ,y)2](5)v x (x ,y ,t)= 2v(x ,y ,t)-[v(x ,y,t)-f y (x ,y )]&[f x (x ,y )2+f y (x ,y )2](6)根据式(5)和(6)迭代生成GVF 力场,初次迭代值一般用图像的梯度作为GVF 力.图4是GVF Snake 模型的轮廓求解过程.图4 GV F Snake 模型求解过程F ig.4 T he pr ocess o f GV F Snake mo delGVF Snake 模型为解决传统Snake 模型的缺点,利用GVF 力场扩散,增加初始轮廓线的捕获范围,能较好地分割出前景物体.但GVF 力场的迭代过程中,随着迭代次数增加,初始轮廓线的设置逐渐远离真实轮廓线,轮廓迭代次数也随之增大,这使得时间开销显著增大.此外,如果设置的初始轮廓线离真实轮廓线较远,还容易出现轮廓线收敛到GV F 力场的能量局部极小值位置,使得轮廓线停止逼近,这样就不能逼近真实的轮廓线.针对GVF Snake 模型的这些缺陷,文献[14 15]对其进行了改进,但由于纤维图像的噪声影响,处理效果并不十分理想.GVF Snake 模型对初始轮廓线并不要求十分准确,但后续GVF 力场计算和轮廓收敛所需时间较长,所以要求初始轮廓线设置算法简单,速度快.K m eans 聚类分割算法实现简单,能较精确地分割出图像的前景与背景,且轮廓线靠近真实的边缘.如果选取K means 聚类分割结果中适当的分割线作为GVF Snake 模型的初始轮廓线,势必可以减少GV F 力场的迭代次数和GVF Snake 模型的轮廓逼近次数,有效提高图像分割的效率.基于上述思想,首先采用K m eans 聚类算法将纤维图像的背景和前景分割开来,利用轮廓跟踪算法[16]跟踪分割线,选取最长的分割线,作为GVFSnake 模型的初始轮廓线,然后利用GVF Snake 模型收缩求出纤维的轮廓线.图5是利用本文算法的分割过程,首先针对原图进行K means 分割(图5(b)),然后选取初始轮廓线(图5(c)),再根据GVF Snake 模型进行收敛(图5(d))得到纤维轮廓线(图5(e)).70东华大学学报(自然科学版)第37卷图5 本文算法的处理过程F ig.5 T he pr ocess o f this alg or ithm1.3 去毛刺由于纤维图像含光斑等噪声的影响,运用上述算法求得的纤维图像轮廓还可能存在毛刺,如图6(a).这些毛刺干扰纤维诸如面积、周长、圆整度等轮廓特征的提取,进而影响纤维识别的精确度.图6 纤维轮廓的去毛刺结果F ig.6 T he result o f remov ed burrs本文采用轮廓跟踪方法[16]去除毛刺.跟踪过程中,当到达毛刺的端点时,其8邻域内不存在未被跟踪到的曲线上的像素点,只能返回再跟踪一次毛刺上的像素点,这样,在毛刺上的像素点的跟踪次数比曲线上像素点的跟踪次数至少要多一次.即使曲线被跟踪多次,毛刺与曲线的交叉点处也会比曲线的跟踪次数至少多一次.故一般跟踪最低次数为曲线上的像素点.但若直接删除跟踪次数与曲线上像素点的跟踪次数不同的像素点,起始点和交叉点也会被认为是毛刺上的像素点而被删除,从而影响闭合曲线的连通性.所以,要对起始点和交叉点特别处理.起始点不在毛刺上时应被保留,将起始点的跟踪次数减去1,在进行毛刺删除时和其他像素点进行相同的处理.对于交叉点,如果其邻域位置上的像素点的前后两个位置没有曲线上的像素点时,该像素点不可被删除.图6(b)是运用上述方法进行毛刺处理得到的结果.2 实验结果分析2.1 轮廓线的连续性图7是本文的算法求得的轮廓结果,可以看出,该算法很好地解决了传统的图像分割算法容易出现的虚假边缘、断裂边缘等问题,得到的轮廓线不仅是单边缘,而且是连续的,很好地保存了纤维图像的边缘特征,方便后续研究.2.2 时间效率对本文的纤维图像进行处理,原GVF Snake 模型求解过程中GVF 力场迭代次数一般为80次左右,如图4(c)所示,设置好初始轮廓线后,轮廓收敛次数一般要100次以上才可以求得真实的轮廓线,如图4(d)所示,整个过程所需时间一般为5s 左右.而利用本文算法,GVF 力场的迭代次数和轮廓收敛逼近次数均可以大大减少,针对本文的纤维图像,GV F 力场迭代次数一般为10次左右,如图8(b)所示.轮廓收敛逼近次数一般在15次左右就可以求得真实的轮廓线,如图8(c)所示,整体时间一般为1.5s 左右,使得纤维图像的分割效率有较大提高(所使用的计算机配置:Intel Pentium 4CPU,2.80GH z,512M B 的内存).图7 本文算法求得的纤维图像轮廓线F ig.7 F iber imag es results used this alg or ithm第1期韩海梅,等:基于K means 和GVF Snake 模型的纤维图像分割71图8 本文算法的时间效率Fig.8 T he time efficiency o f this alg or ithm2.3 轮廓提取的精度图9为原GVF Snake 模型求解算法和本文算法求得的轮廓线与图像原图的对比,可以看出,受图9(a)中噪声的影响,由于所设置的初始轮廓线范围较大,利用GVF Snake 模型求得的轮廓线存在毛刺(如图9(b)).而采用本文的初始轮廓线设置方法,即利用K m eans 聚类分割算法所得的最大的分割线作为初始轮廓线,绕过了噪声的干扰,求得的轮廓线精度相对前一种方法有了很大程度的提高图(如图9(c)).图9 纤维图像轮廓精确度比较F ig.9 T he co mpar ison of fiber image conto ur s accuracy3 结论针对纤维图像的特点和对分割结果的连续性等要求,本文融合K means 算法和GVF Snake 模型,充分发挥两者的优点,有效地解决了传统方法分割图像时存在虚假边缘和不连续等问题.研究结果表明,利用本文算法分割纤维图像,得到的结果准确、完整,实现了精确地分割各类较复杂的纤维图像的目的,而且有效缩短了纤维图像的分割时间.参考文献[1]罗希平,田捷,诸葛婴,等.图像分割方法综述[J ].模式识别与人工智能,1999,12(3):300 312.[2]章毓晋.图像分割[M ].北京:科学出版社,2001:1 7.[3]KAPUR J N,SAH OO P K,W ONG A K C.A New M eth odfor Gray L evel Pictu re Th res holding Usin g the Entropy of the H istogram [J ].Computer Vision,Graphics and ImageProcessing,1985,29(3):273 285.[4]ABUT ALEB A S.Automatic T hresholding of Gray LevelPictures Using T w o Dimens ional En tropy [J ].C om puter Vision ,Graphics ,and Image Processing,1989,47(1):22 32.[5]KITTLER J,ILLINGWORTH J.Minimum Error Thres holding[J].Pattern Recogniti on,1986,19(1):41 47.[6]OTSU N.A T hreshold Selection M ethod from Gray LevelHistogram [J ].IEEE T ransactions on Systems,M an and Cybernetics ,1979(9):62 66.[7]KENNET H R,CASTL EM AN.Digital Image Processing:影印版[M ].北京:清华大学出版社,2002:474 482.[8]杨绍清,贾传莹.基于模糊判决的图像边缘连接[J ].光学技术,2002,28(2):108 112.[9]贺赛先,唐艳.一种基于人类感知的边缘连接方法[J ].红外技术,2005,27(4):338 342.[10]王靖,田捷.改进的多尺度顺序边缘连接检测法及其在医学图像中的应用[J].计算机学报,2001,24(8):525 529.[11]ZHANG B,H SU M.K Harmonic M eans:A Data Clu steringAlgorithm [R].H ewlett Packard Labs T echnical Report,H PL 1999 124,1999(10):1 25.[12]KASS M ,WITKIN A,TERZOPOU LOS D.Snakes :ActiveContour M odels [J ].Intern ational Journal of ComputerVision,1987,1(4):321 331.[13]XU C ,PRINCE J L.Sn akes,Shapes ,and Gradient VectorFlow [J].IE EE T ransactions on Image Process ing,1998,7(3):359 369.[14]CH ENG J,FOO S.Dynam ic Direction al Gradient Vector Flowfor Snakes [J ].IEEE T rans actions on Image Processing,2006,6(15):1563 1571.[15]范延滨,刘彩霞,贾世宇,等.GVF S nake 模型中初始轮廓线设置算法的研究[J].中国图形图像学报,2008,13(1):58 63.[16]陆宗骐.C/C++图像处理编程[M ].北京:清华大学出版社,2005:286 289.。

试论基于GVFSnake模型的医学图像分割技术论文.doc

试论基于GVF Snake模型的医学图像分割技术论文基于GVF Snake模型的医学图像分割技术论文导读：本论文是一篇关于基于GVF Snake模型的医学图像分割技术的优秀论文范文,对正在写有关于图像论文的写有一定的参考和指导作用,吕坤;张欣;李硕-基于卷积虚拟静电场Snake基于GVF Snake模型的医学图像分割技术论文相关文献雷丽珍-数字图像边缘检测策略的探讨[J];测绘通报; 、马子睿-基于数学形态学的医学图像分割策略研究[J];电脑与信息技术; 、许新征;丁世飞;史忠植;贾伟宽-图像分割的新理论和新策略[J];电子学报; 、石澄贤;王洪元;王平安;夏德深-先验形状力场参数活动轮廓模型及其医学图像分割[J];计算机研究与发展; 、袁春兰;熊宗龙;周雪花;彭小辉-基于Sobel算子的图像边缘检测研究[J];激光与红外; 、邹福辉;李忠科-图像边缘检测算法的对比分析[J];计算机应用; 、刘玉芹;苑玮琦;郭金玉-基于小波分解和高低帽变换的在线掌纹识别[J];计算机应用研究; 、李小红;基于LOG滤波器的图像边缘检测算法的研究[J];计算机应用与软件; 、张荣国;刘小君;王蓉;刘焜-自适应梯度矢量流轮廓提取策略[J];模式识别与人工智能; 、石澄贤;王平安;夏德深-Snakes 外力场的改善及其左心室MRI的精确分割[J];南京理工大学学报(自然科学版);【共引文献】中国期刊全文数据库方明珠;王晏民;侯妙乐-基于ArcGIS Engine的馆藏壁画病害调查[J];北京建筑工程学院学报; 、陈天华;王昆鹏-基于Canny算子和数学形态学的细胞边缘检测策略[J];北京工商大学学报(自然科学版); 、姚凯;吕燚;周明全-疲劳判断系统的探索与实现[J];北京师范大学学报(自然科学版); 、孙华军-边缘检测算子在医学图像处理中的应用[J];才智; 、苗语;王艳春;郭乃珠;刘明仁-基于边缘检测终止条件的区域生长算法[J];长春理工大学学报(自然科学版); 、张凤晶;白新伟;于光;蒋立华-一种基于Sobel算子的彩像边缘检测新算法[J];长春理工大学学报(自然科学版); 、裘祖荣;王莹;胡文川-边缘检测在异面直线夹角视觉检测中的应用[J];传感器与微系统; 、刘付民;张治斌-基于方向滤波的监控图像边缘检测[J];传感器与微系统; 、王大莹;程新文;潘慧波;陈晓倩-基于最佳阈值形态学策略对机载LiDAR数据进行边缘提取[J];测绘工程; 、孟飞;孙鹏;梁树辉;张合新-自适应arching策略在医学图像分割中的应用[J];计算机工程与应用; 、常学锋;颜雁;高长斌;师为礼;刘国辉-基于最大熵和改善PN的医学图像自动分割算法研究与实现[J];现代生物医学进展; 、朱文婕-图像分割技术在医学图像分割中的应用[J];安徽科技学院学报; 、罗彤;陈裕泉;王立传-基于注意计算模型的医学图像模糊连接度分割[J];传感技术学报; 、廖国红;齐军;黄光林-基于支持向量机策略的医学图像分割[J];计算机工程与应用; 吕坤;张欣;李硕-基于卷积虚拟静电场Snake 基于GVF Snake模型的医学图像分割技术论文导读：本论文是一篇关于基于GVF Snake模型的医学图像分割技术的优秀论文范文,对正在写有关于图像论文的写有一定的参考和指导作用,模型的唇形跟踪算法[A];第六届和谐人机环境联合学术会议（HHME 、苑玮琦;马军防;李德胜-一种基于Snake和强跟踪滤波器的目标跟踪策略[A];首届信息获取与处理学术会议论文集[C]; 、李国友-基于图像引力和优化贪婪算法的新型Snake模型[A];第二十六届中国制约会议论文集[C]; 、高向军;刘保罗;徐瑞朝-B-Snake模型在虚拟内窥镜路径规划中的应用[A];第二十九届中国制约会议论文集[C]; 、相彬森-基于改善的GVF-Snake模型指骨X线图像分割[A];第十五届全国图象图形学学术会议论文集[C]; 、汪松;任彬;汪炳权-Snake在医学图像处理中的应用[A];中国图象图形学会第十届全国图像图形学术会议（CIG’、陈雷;于明;罗永兴;张海哲;李轶博-低信噪比复杂结构图像中的一种动态轮廓提取策略[A];现代通信理论与信号处理进展——通信理论与信号处理年会论文集[C]; 、林晓梅;王盛慧;徐慧颖;魏巍-改善的FMC算法及其在医学图像分割中的应用[A];会论文集（上）[C]; 、丁瑶;谢维信;黄建军;杨勋-基于广义梯度矢量流场的道路中心轴线提取策略[A];第十一届中国体视学与图像分析学术会议论文集[C]; 、韩忠玲;韩忠明;汲伟明;姚萌-基于模拟退火遗传算法的医学图像偏移场校正[A];第七届全国信息获取与处理学术会议论文集[C];论文目录摘要8-9ABSTRACT9-11第一章绪论11-161.1课题研究的背景和作用11-121.2医学图像分割策略的研究目前状况12-141.3本文的主要内容和论文安排14-16第二章图像分割理论与策略16-332.1基于阈值分割策略18-192.2基于区域的分割策略19-212.2.1区域生长法202.2.2区域分裂与合并20-212.3基于边缘的分割策略21-302.3.1基于一阶导数的边缘算子22-252.3.2基于二阶导数的边缘算子25-272.3.3边缘检测算子比较27-302.4基于数学形态学的分割策略30-322.4.1腐蚀与膨胀30-312.4.2开操作与闭操作31-322.5本章小结32-33第三章Snake模型原理与算法实现33-423.1引言33-343.2传统Snake模型34-383.2.1Snake模型的概述34-363.2.2Snake模型的求解36-373.2.3Snake模型的动力学解释37-383.3Snake模型算法流程及实例38-403.3.1Snake模型算法流程38-393.3.2Snake模型算法实验结果39-403.4Snake模型的特点分析40-413.5本章小结41-42第四章Snake模型的改善42-514.1多尺度高斯势能力模型424.2气球力模型42-444.2.1气球力模型概述42-434.2.2方向气球力模型43-444.3距离势能力模型444.4梯度矢量流模型44-484.4.1边缘图45-464.4.2梯度矢量流(GVF)46-474.4.3模型的数值实现47-484.5GVF模型与传统模型的比较48-504.6本章小结50-51第五章基于小波分析和梯度矢量流的医学图像分割51-59 5.1小波分析基础理论51-545.1.1连续小波函数51-525.1.2离散小波变换52-535.1.3多分辨率分析53-545.2改善的梯度矢量流模型54-575.2.1GVFSnake模型的不足54-555.2.2GVFSnake模型改善55-575.3本章小结57-59第六章总结和展望59-616.1总结596.2展望59-61基于GVF Snake模型的医学图像分割技术论文导读：本论文是一篇关于基于GVF Snake模型的医学图像分割技术的优秀论文范文,对正在写有关于图像论文的写有一定的参考和指导作用,[J];光学学报; 中国博士学位论文全文数据库前1条郑征;相容粒度空间模型及其应用研究[D];中国科学院研究生院（计算技术研究所）;刊全文数据库张程睿;余艳梅;罗代升;叶波;谢勤彬-基于改善的参数活动轮廓模型的图像分割策略[J];成都信息工程学院学报; 、邱明,张二虎;医学图像分割策略[J];计算机工程与设计; 、王世威;肖敏;张韶文;夏顺仁-融合颜色和强度先验信息的几何形变模型在医学图像分割中的应用[J];中国医疗器械杂志; 、朱春媚;周文辉-改善Snake模型在病灶轮廓提取中的应用[J];计算机工程与应用; 、康晓东;何丕廉;刘玉洁;李志圣-基于蚁群算法的医学图像分割研究[J];计算机应用研究; 、王娜;郭敏-改善的Fast Marching策略在医学图像分割中的应用[J];计算机工程与应用; 、常学锋;颜雁;高长斌;师为礼;刘国辉-基于最大熵和改善PN的医学图像自动分割算法研究与实现[J];现代生物医学进展; 、朱文婕-图像分割技术在医学图像分割中的应用[J];安徽科技学院学报; 、罗彤;陈裕泉;王立传-基于注意计算模型的医学图像模糊连接度分割[J];传感技术学报; 、廖国红;齐军;黄光林-基于支持向量机策略的医学图像分割[J];计算机工程与应用; 吕坤;张欣;李硕-基于卷积虚拟静电场Snake模型的唇形跟踪算法[A];第六届和谐人机环境联合学术会议（HHME 、苑玮琦;马军防;李德胜-一种基于Snake和强跟踪滤波器的目标跟踪策略[A];首届信息获取与处理学术会议论文集[C]; 、李国友-基于图像引力和优化贪婪算法的新型Snake模型[A];第二十六届中国制约会议论文集[C]; 、高向军;刘保罗;徐瑞朝-B-Snake模型在虚拟内窥镜路径规划中的应用[A];第二十九届中国制约会议论文集[C]; 、相彬森-基于改善的GVF-Snake模型指骨X线图像分割[A];第十五届全国图象图形学学术会议论文集[C]; 、汪松;任彬;汪炳权-Snake在医学图像处理中的应用[A];中国图象图形学会第十届全国图像图形学术会议（CIG’、陈雷;于明;罗永兴;张海哲;李轶博-低信噪比复杂结构图像中的一种动态轮廓提取策略[A];现代通信理论与信号处理进展——通信理论与信号处理年会论文集[C]; 、林晓梅;王盛慧;徐慧颖;魏巍-改善的FMC算法及其在医学图像分割中的应用[A];会论文集（上）[C]; 、丁瑶;谢维信;黄建军;杨勋-基于广义梯度矢量流场的道路中心轴线提取策略[A];第十一届中国体视学与图像分析学术会议论文集[C]; 、韩忠玲;韩忠明;汲伟明;姚萌-基于模拟退火遗传算法的医学图像偏移场校正[A];第七届全国信息获取与处理学术会议论文集[C]; 中国重要报纸全文数据库前8条;血色的美[N];中国电脑教育报; 、易水;新词集锦（406）[N];计算机世界; 、河北周建军;五项全能的离线浏览器ail收费能走多远？[N];广西日报; 、严长寿;怕它就去研究它[N];中国文化报; 、刘岱岳刘鹊华;蛇与蛇毒[N];中国中医药报; 、席雪莲;关岛发生人蛇大战[N];华东旅游报; 中国博士学位论文全文数据库谢从华;基于密度模型的医学图像分割策略研究[D];江苏大学; 、郭艳蓉;医学图像分割与配准若干关键理由研究[D];合肥工业大学; 、谢强军;变分水平集理论及其在医学图像分割中的应用[D];浙江大学; 、李文书;中医舌诊中若干图像分析关键技术的研究[D];浙江大学; 、刘军伟;基于水平集的图像分割策略研究及其在医学图像中的应用[D];中国科学技术大学; 、郝家胜;基于几何流的医学图像分割策略及其应用研究[D];哈尔滨工业大学; 、周頔;医学图像处理中的若干理由研究[D];江南大学; 、黎云汉;人脸特征提取与跟踪[D];浙江大学; 、康晓东;医学影像图像分割与存储若干理由的研究[D];天津大学; 、简江涛;形变模型技术研究及其在医学图像分割中的应用[D];中国科学技术大学; 中国硕士学位论文全文数据库赵焕辉;基于GVF Snake模型的医学图像分割技术研究[D];山东大学; 、武国财;基于差分进化算法的GVF Snake模型的PET医学图像分割[D];哈尔滨工程大学; 、王佩;基于活动轮廓模型的医学图像分割技术研究[D];哈尔滨工业大学; 、梁建明;基于参数活动轮廓模型的医学图像分割策略研究[D];东北大学; 、周军;GVF-Snake模型的改善及其流水线处理策略[D];云南大学; 、侯志鹏;基于双snake模型的人体头骨厚度测量的基于GVF Snake模型的医学图像分割技术论文导读：本论文是一篇关于基于GVF Snake模型的医学图像分割技术的优秀论文范文,对正在写有关于图像论文的写有一定的参考和指导作用,研究;天津科技大学;、李锐;基于GVFSnake模型的边缘检测研究;河南大学;、石云峰;基于Snake模型的图像分割策略研究及应用;西安电子科技大学;、崔兆华;改善的Snake模型及其在多飞机目标提取中的应用;东北大学;、白曈;基于Snake模型的参数活动轮廓模型在医学图像处理中的应用;山东大学; 研究[D];天津科技大学; 、李锐;基于GVF Snake模型的边缘检测研究[D];河南大学; 、石云峰;基于Snake模型的图像分割策略研究及应用[D];西安电子科技大学; 、崔兆华;改善的Snake模型及其在多飞机目标提取中的应用[D];东北大学; 、白曈;基于Snake模型的参数活动轮廓模型在医学图像处理中的应用[D];山东大学;。

基于聚类K-Means方法实现图像分割

基于聚类K-Means⽅法实现图像分割”“”K-Means to realize Image segmentation “”“import numpy as npimport PIL.Image as imagefrom sklearn.cluster import KMeans#Define loadDato to solve my imagedef loadData(filePath):f = open(filePath,'rb')#deal with binarydata = []img = image.open(f)#return to pixel(像素值)m,n = img.size#the size of imagefor i in range(m):for j in range(n):x,y,z = img.getpixel((i,j))#deal with pixel to the range 0-1 and save to datadata.append([x/256.0,y/256.0,z/256.0])f.close()return np.mat(data),m,nimgData,row,col = loadData("./picture/apple.png")#setting clusers(聚类中⼼) is 3label = KMeans(n_clusters=3).fit_predict(imgData)#get the label of each pixellabel = label.reshape([row,col])#create a new image to save the result of K-Meanspic_new = image.new("L",(row,col))#according to the label to add the pixelfor i in range(row):for j in range(col):pic_new.putpixel((i,j),int(256/(label[i][j]+1)))pic_new.save("./picture/km.jpg","JPEG")K-Means算法：我们常说的K-Means算法属于⽆监督分类（训练样本的标记信息是未知的，⽬标是通过对⽆标记训练样本的学习来揭⽰数据的内在性质和规律，为进⼀步的数据分析提供基础），它通过按照⼀定的⽅式度量样本之间的相似度，通过迭代更新聚类中⼼，当聚类中⼼不再移动或移动差值⼩于阈值时，则就样本分为不同的类别。

基于 Snake 模型的医学图像分割

作者简介:倪雅樱,南京航空航天大学硕士研究生,研究方向:医学图像处理,E 2mail :icenyy @基于Snake 模型的医学图像分割倪雅樱1　胡志忠21.南京航空航天大学自动化学院生物医学工程系　(江苏南京　210016)2.南京航空航天大学信息科学与技术学院　(江苏南京　210016) 【摘要】　基于Snake 模型的图像分割技术是近年来图像处理领域的研究热点之一。

Snake 模型承载上层先验知识并融合了图像的底层特征,针对医学图像的特殊性,能有效地应用于医学图像的分割中。

本文对各种基于Snake 模型的改进算法和进化模型进行了研究,并重点梳理了最新的研究成果,以利于把握基于Snake 模型的医学图像分割方法的脉络和发展方向。

【关键词】　医学图像分割;Snake 模型;连续Snake ;R -Snake 模型Medical Image Segmentation B ased on Snake ModelNi Y aying 1　Hu Zhizhong 21.C ollege of Automation Engineering ,Nan Jing University of Aeronautics &Astronautics (Nanjing 210016)2.C ollege of In formation Science &T echnology ,Nan Jing University ofAeronautics &Astronautics (Nanjing 210016) 【Abstract 】　Image Segmentation based on Snake m odel is one of the focuses in the field of image processing in re 2cent years.The Snake m odel inherits the prior knowledge of the upper layer and integrates the characteristics of the lower layer of images.It can be applied effectively to the medical image segmentation for the unique of medical images.In this paper ,im proved alg orithms and ev olving m odels based on Snake m odel are researched.Additionally ,the latest research results are described to keep track of the development trend of the m odels.【K ey Words 】　Medical image segmentation ;Snake m odel ;C ontinuous Snakes ;R -Snake m ode 1　引言图像分割是医学图像处理中重要研究内容之一。

聚类算法在图像分割中的应用

聚类算法在图像分割中的应用图像分割是图像处理领域中的一个非常重要的任务，其目的是将一幅图像分成若干个不同的区域，从而实现对图像中不同目标的分割及分析。

而聚类算法作为一种常用的图像分割方法，已经被广泛应用。

一、什么是聚类算法聚类算法是一种无监督学习算法，其主要目的是将具有相似特征的数据点归为一类，而将不同类别之间的数据点进行区分。

聚类算法可以用于解决许多问题，例如市场细分、图像分割，以及生物学上的分类等。

二、在图像分割中，聚类算法主要是基于像素点的相似性对图像进行分割处理。

具体来说，聚类算法将图像中的每一个像素点视为一个数据点，然后将这些数据点按照其像素灰度值和颜色属性进行聚类分析。

1. K-Means聚类算法K-Means聚类算法是一种常用的聚类算法，其主要思想是将样本分成K个簇，其中K是预先指定的参数。

这种算法可以用于图像分割，通过将图像中的所有像素点分成几个簇，从而实现对图像的分割。

该算法的具体流程是：首先，从图像中选择K个像素点作为聚类的中心点；然后将所有像素点分配到与其最近的聚类中心中；接下来，重新计算每个聚类中心的位置；重复以上步骤，直到算法收敛为止。

2. 基于密度聚类算法基于密度聚类算法是指将具有足够密度的区域划分为簇，从而实现对图像的分割。

与传统的K-Means聚类算法不同的是，基于密度聚类算法并不需要预先指定聚类簇的数量，而是通过计算每个样本点的密度来进行聚类分析。

这种算法可以用于图像分割，其具体流程是：首先，从图像中选择一个样本点，然后计算该样本点周围的密度；然后将具有足够密度的像素点划分为一个聚类簇；接着，重复以上步骤，直到完成聚类分析。

三、聚类算法在图像分割中的优势相较于其他图像分割方法，聚类算法有着很多优势，主要包括以下几点：1. 聚类算法可以自动确定聚类簇的数量，不需要手动设置。

2. 聚类算法可以提供比其他方法更加准确的图像分割结果。

3. 聚类算法可以快速、高效地处理大规模图像数据。

一种新的基于GVF Snake的B超图像分割方法

ＳｇｅｔｔｏｓｄｏｅｍｎａｉｎｂａｅｎＧＶＦＳａｅｎｋｓ
ＷＡＮＧａｄｎＸｉｏｏｇ，ＧＥｎ，ＬａｓｅｇＹｕＩＢｏｈｎ
（．ｅａｔｅｔｆＥｅｒｉＳｉｃａｄＥｇｅｉ１Ｄｐｒｎｌｔｎｃｎｅｎｎｉｅｎｍｏｃｏｃｅｎｒｇ，ＮｎｎｍｅｉａｊＵｖｒ￣，Ｎｎｎ１０３ｈｎ；ｉｇｓａｉ２０９，Ｃ／ａｊｇ
王葛李宝小东，云 △，生
（．１南京大学电子科学与工程系，南京２０９；．１０３２山东省肿瘤医院，济南２０１）５１７
摘要：出一种新的基于ＧＦＳａ、提Ｖｎｋ利用局部对比增强（Ｃ）ｅＬＥ的超声图像分割方法，并与传统的基于
生物医学工程研究２加８ＪｕｎｌｆｉｅｉｌｎｉｅｒｇＲｓｒｈ‘ｕ ’７３：～７ｏｒａｏｏｄｃｇｅｉｅｅｃｕｏ（）１０～１４ＢｍａＥｎｎａ２ｌ７
。
一
种新的基于ＧＦＳａｅ的Ｂ超图像分割方法Ｖｎｋ
合Ｂ超和红外跟踪系统＿３，１将二维超声图像精确ＩＪ配准为三维图像，这样可以明显提高肿瘤的实际治
疗精度。而前提是在二维超声图像中实时快速地提
ｅｈｎｅｎ；Ｉｇｅｋｅｇ；Ｅｇｐｎａｃｍｅｔｍａｅｗａｄｅｄｅｍａ
１引言
超声图像因为其价格低廉、无创、实时等优越
性，越来越多地应用于肿瘤的放射治疗中。我们结

基于Snake的图像分割算法研究

ａｎｄａｐｐｌｉｃａｔｉｏｎｓａｎｄｔｈｅａｃｔｕａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：Ｉｍａｇｅｓｅｍｅｇｎｔａｔｉｏｎ；Ｓｎａｋｅｍｏｄｅｌｓ；ｇｒｅｅｄｙａｌｇｏｒｉｔｈｍｓ
ＩＳＳＮ１００９－３０４４
Ｅ — ｍａｉｌ：ｅｄｕｆ＠ｄｎｚｓ．ｎｅｔ．ｃｎ
ｈｔｔｐ：／／ｗｗｗ．ｄｎｚｓ．ｎｅｔ．ｃｎ
Ｃｏｍｐｕ￣ｒＫｎｏｗｌｅｄｇｅａｎｄＴｅｃｈｎｏｌｏｇｙ电脑知识与技术
１概述
图像分割就是把输入的图像进行区域划分，分割成一系列感兴趣的区域，这项工作对于人类视觉能直接轻松地完成，对机器
视觉而言确是一个难题，至今还没有一种图像分割算法能处理所有的图像分割问题，只能就某个具体问题，利用对应的算法进行
分割，一种方法应用于某一类图像分割可以，应用到另一类图像分割时就没有效果了。常见的图像分割方法有阈值法、边缘检测法、区域生长法、分水岭法等，这些方法都利用到图像底层信息，在像素级要素上进行处理。而Ｓｎａｋｅ算法则打破了这一局限，能利用图像的高层信息，能将图像分割问题转化成数学上求能量泛函的问题，又基于微分方程，利用差分、有限元等方法将其离散化，利用计算机进行算法迭代，求解图像分割结果。

一种低分辨率细胞显微图像的分割与统计

第43卷第6期2020年11月安徽师范大学学报(自然科学版)Journal of Anhui Normal University (Natural Science) Vol.43No.6Nov .2020　DOI:10.14182/ki.1001-2443.2020.06.001收稿日期:20200207基金项目:江苏省自然科学基金自助项目(BK20170757);江苏省高校自然科学基金项目(17KJD510002).作者简介:陈书文(1983 ),男,江苏泰州市人,博士,讲师,主要研究方向为计算机应用;信号与信息处理.引用格式:陈书文,曹愚,赵小燕,等.一种低分辨率细胞显微图像的分割与统计[J].安徽师范大学学报(自然科学版),2020,43(6):511-516.一种低分辨率细胞显微图像的分割与统计陈书文1,　曹　愚1,　赵小燕2,　王茄吉1(1.江苏第二师范学院数学与信息技术学院,江苏南京　210013;2.南京工程学院信息与通信工程学院,江苏南京　211167)摘　要:针对医学显微图像的低清晰度与染色剂干扰导致细胞识别不准确的问题,本文提出了一种基于K 均值(K⁃means )聚类与Canny 算子分割相结合的方法用于实现细胞图像的自动识别与统计㊂K⁃means 聚类法作为主算法从背景中分割出绝大多数染色正常的细胞,Canny 算子作为补充方法用于分割染色度不足的细胞,或者是与染色污染块粘连的细胞㊂具体做法是,先用K⁃means 聚类法分割细胞图像,获取包含细胞核㊁细胞质和环境背景的三值图像,通过提取细胞核确定每个细胞的中心位置;而对于其它因染色问题,用K⁃means 法未能正常分割的细胞,采用Canny 算子获取该细胞边界,补充遗漏的细胞的统计㊂最后,算法利用细胞的特征参数进一步提高识别的准确性㊂实验结果表明,该算法降低了对图像质量的要求,能够自动排除染色剂的干扰,快速有效地识别有核质差异的细胞图像㊂算法统计精度达到了97%以上㊂关键词:K 均值聚类;细胞图像;Canny 算子;细胞识别中图分类号:TN 911.73 文献标志码:A 文章编号:1001-2443(2020)06-0511-06细胞数字图像是临床医学㊁细胞学㊁病理学的重要研究手段,在疾病诊断㊁癌细胞筛查中发挥着重要作用㊂凭借计算机图像分析技术,医生或科研人员能够对目标细胞进行定性或定量分析㊂这不仅能减少视觉工作量,还极大地提高了工作效率㊂细胞图像分割是细胞识别与统计的核心,当前分割方法可大致归纳为四类,第一类为阈值法;第二类为基于区域的方法;第三类为基于先验模型的方法;第四类是基于神经网络的方法㊂阈值法[1]把每个像素的灰度值作为特征,通过比较灰度值对像素进行分类,一般分为单阈值法和多阈值法[2-3],具有简单易行㊁性能稳定等优点[4]㊂目前流行的阈值法有Otsu 法[5]㊁最大熵法[6]和聚类法[7]等㊂此类方法对于简单或无噪声的细胞图像表现较好,若遇光照不均匀㊁染色不均匀㊁或污染干扰的情况,细胞分割的准确性将受到影响㊂基于区域的方法不仅要考虑图像的灰度值,还要考虑融合环境㊂此类方法有区域生长法[8-9]㊁分水岭法[10-11]等㊂区域生长法要先确定生长准则,而分水岭法的缺点是容易过分割,这都不能独立地用于分析形状小㊁密度高的细胞图像㊂基于先验模型的方法是通过预定的形状来提取特定细胞,再进行分类㊂但实际问题是细胞形态各异,预先确定细胞模板很困难㊂而基于神经网络的方法是把图像的分割作为函数的最小化问题来处理,主要思想是用已知的结果作为样本对神经网络进行训练,此方法过程也较复杂㊂为寻找快速有效㊁且能应对各种染色污染问题的细胞图像分割法,本文提出基于K⁃means 聚类和Canny 算子相结合的新思路,并把新算法的效果与单独使用以上两种方法进行对比,旨在证明新方法的优越性㊂1摇算法原理给定的细胞图像经过灰度化和中值滤波后,采用K⁃means 聚类作为主分割法,同时用Canny 算子的分割结果作为必要补充,把因染色问题导致未被正确检测的细胞统计进来,发挥两种算法的优点,提高细胞识别的准确率(算法流程如图1所示)㊂要注意的是,若原图像为RGB 彩色图像,需先灰度化㊂预处理时提取图像的RGB 三个通道值,选择直方图均衡最好的通道建立灰度图像㊂一般情况,图像中的细胞核㊁细胞质㊁环图1　算法流程图Fig.1　Flow diagram of algorithm境背景是3种不同的灰度值,所以首次分割采用的K⁃means 聚类,聚类中心数设置为3㊂但此分割结果不仅有正常细胞,还包含染色剂污染点,甚至有的浅染色细胞并没有分割出来㊂第二步,算法使用Canny 算子检测细胞边缘,经过孔洞填充和腐蚀,重新确定了一组细胞核的位置坐标㊂然后对属于同一细胞核㊁被重复检出的细胞位置进行归并,最终用细胞的特征参数排除染色剂污染点,提高了算法精度㊂2　细胞图像的K⁃means 聚类分割K⁃means 算法是一种动态聚类算法[12],以欧式距离作为相似度测度,以误差的平方和为聚类准则函数,迭代计算使得准则函数至收敛为止㊂算法目的是把n 个样本点分为k 个簇,使簇内具有较高的相似度㊂算法先随机地选取k 个对象作为初始聚类中心(聚类中心代表簇的平均值),然后对剩余样本根据到各个聚类中心的距离,将它们分配给最近的簇,再重新计算每个簇的平均值㊂此过程不断迭代直至准则函数J 收敛㊂若进行第m 次迭代,需先更新第i 个聚类中心z iz i m +()1=1N i ∑x ∈f j ()m x ,i =1,2, ,k (1)再计算准则函数J =∑x ∈f j ()m ‖x -z i m +()1‖2,i =1,2, ,k (2)其中,聚类中心数为k ,N i 表示第i 个簇的样本数㊂本文设置聚类中心数为3㊂原图像灰度化后,其像素被分成了3个簇(即细胞核㊁细胞质㊁环境背景),所以整张图也被分割成了三值图像㊂提取图像中的细胞核,并用细胞核的质心坐标代表每个细胞的位置,最终得到位置集合S 1(I )㊂此时,S 1(I )可能包含染色剂污染点,也可能遗漏染色较浅导致未被分割的细胞核㊂3　Canny 算子边缘检测分割Canny 算子是基于最优化算法的边缘检测算子[13]㊂实验证明,Canny 算子在处理高斯白噪声污染的图像方面优于其它传统的边缘算子㊂Canny 算子的实现主要包括四个部分:1)平滑图像;2)计算梯度的幅值和方向;3)梯度方向上对梯度幅值做非极大值抑制;4)双阈值方法检测图像边缘㊂图像中,每个像素的灰度的梯度值为M (x ,y )=k 2x (x ,y )+k 2y (x ,y )(3)梯度方向为H (x ,y )=arctan k x (x ,y ),k y (x ,y ())(4)其中,k x 和k y 分别为像素(x ,y )的水平梯度和垂直梯度㊂Canny 算子作用后,图像I 生成了关于细胞边缘的二值图像㊂使用形态学进行孔洞填充和腐蚀去噪,就得到了细胞核的质心坐标㊂这样,图像I 产生了关于细胞位置的集合S 2(I )㊂这里S 2(I )包含了未被K⁃means 检出的细胞位置㊂而属同一细胞核的质心位置一定会被重复检出,需要归并㊂所以算法需要考查上述二种分割得到位置的并集S (I )=S 1(I )∪S 2(I )(5)4　结合Canny 算子的必要性关于染色问题的一种情况是细胞核染色不足(图2-a)㊂单独使用K⁃means 聚类处理图像,形成了3个聚类中心,它们一般代表了图像中细胞核㊁细胞质㊁环境背景3种区域的灰度平均值㊂K⁃means 聚类后,算法是根据分离出的细胞核来统计细胞数量,若染色不足(图2-b),该细胞是不会被统计的㊂但实践中,即使染215安徽师范大学学报(自然科学版)2020年　(a)原图;(b)K⁃means;(c)Canny 图2　染色不足的情况举例Fig.2　The case of inadequate dyeing 色不足导致细胞核灰度接近细胞质,聚类方法失效,也还是能用Canny 算子检测出该细胞核的边缘(图2-c),弥补K⁃means 算法的缺陷㊂另一种情况是染色污染块过于靠近正常细胞,两者边界模糊(图3-a)㊂K⁃means 聚类之后,污染块和细胞核连成一体(图3-b),导致要识别的细胞核像素面积远超均值,被算法当作大污染块自动排除(a)原图;(b)K⁃means;(c)Canny图3　污染块与正常细胞边界模糊举例Fig.3　The fuzzy boundary between the contaminant and normal cell 了,此为统计错误㊂但由于污染块的颜色常不均匀,Canny 算子作用后,污染块不易形成闭合边界(图3-c),孔洞填充后就不易形成实心点㊂这样污染块就和正常的细胞分开了,也弥补了K⁃means 算法的缺陷㊂如果单独使用Canny 算子分割图像,一方面会遗漏没有形成闭合边界的细胞,即对这样的细胞Canny 算子是失效的㊂另一方面,也无法得到细胞核㊁细胞质的像素面积㊁周长等量化特征为算法的后续处理做准备㊂综上所述,Canny 算子是K⁃means 聚类的必要补充㊂5　染色剂污染点的排除当染色污染面积远大于细胞的平均值时,可以通过像素面积直接排除;当污染面积与细胞大小相当时,可以综合细胞形状特性参数来排除㊂第一种情况较为简单,这里不再赘述,主要讨论第二种情况㊂若污染块与细胞核大小及染色度相当,算法是利用细胞的形状特性(如核面积㊁核占比等)来综合判断当前位置是否为真正的细胞㊂对于正常染色的细胞,K⁃means 分割及后续处理就可以得到这些特征参数㊂而对于浅染色的细胞,若Canny 算子能够生成边界连续的二值图像,则细胞核面积及核占比等特征参数也是图4　像素计算范围Fig.4　Pixel computing range 可以计算的㊂这里,本文使用了图4所示的外接矩形区域来确定像素的计算范围㊂若细胞核区为I core ,它的外接矩形区为(图4红框)I e=(x ,y )|x core min <x <x core max ,y core min <y <y core {}max ,用A (㊃)算子表示像素面积,则细胞核占比p 定义为p =A (I core )/A (I e ),且0<p <1㊂若细胞核面积较大,p 将超出均值过多,此细胞就会被算法排除㊂6　实验下面用二例细胞显微图像测试所提出方法的有效性,并把结果与其它算法做了对比,显示新算法的优越性㊂6.1　算例1图5　算例1的细胞图像Fig.5　Original cell image of ex.1图5是一张经过瑞士吉姆萨染色的原细胞图像,其中有浅染色细胞(图5蓝虚线框)和若干染色剂污染点(图5红实线框)㊂1)算法的有效性第一次分割使用聚类中心数为3的K⁃means 法得到三值图像,如图6所示㊂在图6中提取白色的细胞核,再经孔洞填充和腐蚀去噪,得到二值图像(图7)㊂图7中发现,K⁃means 分割出了大部分细胞核,但包含了不该包含的染色剂污染点(图7红实线框),却没包含应该包含的浅染色细胞(图7白虚线框)㊂然后使用Canny 算子做二次分割获取细胞边缘特征,如图8所示㊂经孔洞填充(图9),再腐蚀去噪,由图10计算出细胞核的质心坐标㊂分割效果令人满意,因为图5中的蓝虚线框所标识的浅染色细胞,在图9或图10的对应地方被Canny 算子检测出来了㊂求图7㊁图10的位置的并集,得到图11㊂其中红圈表示K⁃means 聚类得到的细胞位置,蓝叉表示Canny 算子得到的细胞位置㊂对属于同一细胞核㊁被重复检出的细胞质心位置进行归并,并利用细胞核占比㊁细胞315　43卷第6期陈书文,曹愚,赵小燕,等:一种低分辨率细胞显微图像的分割与统计核面积等参数综合筛选出真实的细胞㊂对于此例,设置细胞核面积阈值为22像素㊁核占比取值为0.25<p <0.9,最终得到图12结果(红圈标识)㊂可以看出,该算例证明了新方法不仅把弱染色的细胞检测出来了,还排除了染色剂污染的干扰,提高了统计精度㊂图6　K⁃means 分割Fig.6　K⁃means segmentation 图7　提取细胞核并腐蚀Fig.7　Nuclear extraction and corrosion 图8　Canny 算子检测边缘Fig.8　Canny operator detecting edges图9　孔洞填充Fig.9　Hole filling图10　腐蚀和去噪Fig.10　Corrosion and denoising 图11　合并位置标识Fig.11　Merge position identification 2)与其它方法比较本文提出的方法与单独使用K⁃means 方法㊁Canny 算子法㊁脉冲耦合神经网络(PCNN)分割和人工统计的方法对比,统计相对误差如表1所示㊂K⁃means 方法结果如图7所示,Canny 算子法标识如图9所示,PCNN 神经网络标识如图13所示㊂从表1可以看出,本文提出的方法与人工统计相比,相对误差最小(1.1%),精度达到了98.9%㊂图12　合并标识并排除染色剂污染点Fig.12　Eliminate contamination points图13　PCNN 分割后再腐蚀Fig.13　PCNN and corrosion 6.2　算例2用另一幅经瑞士染色的细胞图像来验证新方法的有效性,如图14所示㊂其中有浅染色细胞(蓝虚线框)和若干染色剂污染点(红实线框)㊂1)算法的有效性经中值滤波且使用聚类中心为3的K⁃means 法分割,提取细胞核并去噪得到二值图像,如图15所示㊂与上例不同,本例还需用分水岭法分割粘连细胞(红框中),得到图16㊂415安徽师范大学学报(自然科学版)2020年表1　不同算法的统计精度Table 1　Statistical accuracy of different algorithms算法K⁃means Canny PCNN 本文方法人工统计细胞个数207182212190188相对误差11.2%3.2%12.8%1.1%0% 计算图16中所有细胞核的质心位置,结果标注在图17上㊂图14　算例2的细胞图像Fig.14　Original cell image of ex.2图15　提取细胞核Fig.15　Nuclear extraction 图16　分割粘连细胞Fig.16　Clustered cells separated 图17　K⁃means 法标注的细胞位置Fig.17　Cell locations labeled by the K⁃means以上看出,K⁃means 法标出了大部分细胞核的位置,但也存在着问题㊂17号点是染色污染点已被K⁃means 排除,而45和54号染色污染块并没有被K⁃means 排除,这2点为错误统计;另外,6号点是细胞核(蓝虚线框),也没能被K⁃means 法识别㊂原因是K⁃means 无法区分与6号点紧密相连的染色剂污染块(见图16),导致提取的细胞核面积远超平均值被算法自动排除了㊂限于篇幅,类似问题不一一叙述㊂所以必须借助Canny 算子做图像的二次分割,辅助统计㊂Canny 算子获取细胞边缘特征后,经过孔洞填充(图18)㊁分水岭分割粘连细胞和腐蚀去噪(图19)等步骤获得细胞位置(在图18中用蓝×标注)㊂将图18结果与图17对比,可以看出原6号位置的细胞在图18中与染色剂污染块分开了;且原54号位置的染色污染块在图18中也被Canny 算子自动排除了㊂求图17㊁18的位置的并集,即对属于同一细胞核㊁被重复检出的细胞质心位置进行归并,并利用细胞核占比㊁核面积等参数综合筛选细胞,最终得到图20所示结果(统一用红圈标识位置)㊂从图20看出,新方法排除了染色剂污染的干扰,提高了统计精度㊂图18　Canny 算子检测Fig.18　Canny operator detection 图19　腐蚀和去噪Fig.19　Corrosion and denoising 图20　合并标识并排除染色剂污染点Fig.20　Eliminate contamination points2)与其它方法比较算例2与单独使用K⁃means 方法㊁Canny 算子法㊁脉冲耦合神经网络(PCNN)分割和人工统计的方法对比,统计相对误差如表2所示㊂可以看出,本文的方法与人工统计相比,相对误差最小(2.3%),精度达到了97.7%㊂表2　不同算法的统计精度Table 2　Statistical accuracy of different algorithms 算法K⁃means Canny PCNN 本文方法人工统计细胞个数4639404344相对误差4.5%11.4%9.1%2.3%0%7　结论本文提出了基于K⁃means 聚类与Canny 算子相结合方法用于细胞显微图像分割和统计㊂对于染色程度较浅㊁或有其它染色污染导致K⁃means 聚类法未能正常识别细胞核的情况,本文采用Canny 算子辅助分割以提高统计的准确性㊂此方法不仅降低了细胞分析中对图像染色质量的要求,还有效地解决了现有细胞统计515　43卷第6期陈书文,曹愚,赵小燕,等:一种低分辨率细胞显微图像的分割与统计615安徽师范大学学报(自然科学版)2020年　方法的误差较大的问题㊂参考文献:[1]　冀宗玉.基于稀疏边缘检测的重叠细胞分割方法研究[D].哈尔滨:哈尔滨理工大学,2018.[2]　葛亮,于卡.改进的模板匹配显微细胞图像分割算法[J].计算机与现代化,2015(8):1-12.[3]　田云,车亚琴,薛一兰.改进的细菌觅食算法用于多阈值图像分割[J].忻州师范学院学报,2018,34(2):49-53.[4]　FREDO A R J,ABILASH R S,KUMAR C S.Segmentation and analysis of damages in composite images using multi⁃level threshold methods andgeometrical features[J].Measurement,2017,100:270-278.[5]　张建国,左俊彦,钟涛,等.基于三维Otsu分解的骨组织图像分割应用[J].中国医学影像学杂志,2016,24(3):218-222.[6]　漆鹏杰,刘秀波,仲兆准.显微细胞图像有形成分分割方法研究[J].微型机与应用,2015,34(17):39-42.[7]　苏士美,吕雪扬.骨髓细胞图像的小波变换与Kmeans聚类分割算法[J].郑州大学学报,2015,36(4):15-18.[8]　MOHAMMAD D H,CHEN D M.Segmentation for object based image analysis(OBIA):a review of algorithms and challenges from remote sensingperspective[J].ISPRS Journal of Photogrammetry and Remote Sensing,2019,150:115-134.[9]　冯慧.脐静脉内皮细胞图像分割算法研究及系统实现[D].南昌:南昌大学,2016.[10]　王娅.血液红细胞图像自适应标记分水岭分割算法[J].中国图象图形学报,2017,22(12):1779-1787.[11]　赵晓晴,刘景鑫,张海涛,等.色彩空间变换和基于距离变换的分水岭算法在白细胞图像分割中的应用[J].中国医疗设备,2019,34(7):5-9.[12]　ADOLFO MOLADA,ANGEL MARQUES⁃MATEU,et al.Dominant color extraction with K⁃Means for camera characterization in cultural heritagedocumentation[J].Remote Sensing,2020,12(3):520.[13]　朱秋林,石银涛,李靖.一种改进型Canny算子边缘检测算法用[J].地理空间信息,2020,1(1):128-130.[14]　吴威.基于脉冲耦合神经网络的彩色图像分割方法的研究[D].哈尔滨:哈尔滨工业大学,2016.[15]　赵晗.脉冲耦合神经网络用于图像分割若干问题研究[D].徐州:中国矿业大学,2015.Segmentation and Statistics of Low Resolution Cell Microscopic ImagesCHEN Shu⁃wen1,　CAO Yu1,　ZHAO Xiao⁃yan2,　WANG Jia⁃ji1(1.School of Mathematics and Information Technology,Jangsu Second Normal University,Nanjing210013,China;2.School of Information and Communication Engineering,Nanjing University of Engineering,Nanjing211167,China)Abstract:Aiming at the problem of inaccurate cell recognition caused by low definition of medical microscopic images and interference of dyes,this paper proposed a method based on the combination of K⁃means clustering and Canny operator segmentation to realize automatic recognition and statistics of cell images.K⁃means clustering was used to segment the majority of normal stained cells from the background.Canny operator was used as a supplementary method to segment the cells with insufficient staining degree,or the cells adhered to the staining contaminated mass.The cell image is firstly segmented by K⁃means clustering method to obtain the three⁃value image.For other cells that could not be normally segmented by the K⁃means method due to dyeing problems,Canny operator was used to obtain the boundary of the cell to supplement the statistics of the missing cells.Finally,the algorithm made use of the characteristic parameters of cells to further improve the accuracy of recognition.The experimental results show that the algorithm can reduce the requirement of image quality,automatically exclude the interference of chromatids,and quickly and effectively recognize the cell images with nucleo⁃cytoplasmic differences.The statistical accuracy of the algorithm is over97%.Key words:K⁃means clustering;cell image;Canny operator;cell recognition(责任编辑:马乃玉)。

基于GVF Snake模型的舌像分割研究

基于GVF Snake模型的舌像分割研究高清河;刚晶;王和禹;刘海英【摘要】为了将舌体区域正确地从采集的舌像中分割出来,与传统的Snake模型相比较,本文运用一种优化的GVF Snake模型的方法来实现对舌图像的分割.首先对所选的舌像进行中值滤波,经过二值化处理后,得到舌体的初始化轮廓线,然后采用改进的GVF Snake模型对初始化轮廓线进行边缘修正,最后得到的舌体图像更加清晰、连贯,提高了图像的可视性和准确性.【期刊名称】《科技视界》【年(卷),期】2018(000)006【总页数】2页(P131-132)【关键词】Snake模型;GVFSnake模型;中值滤波;图像分割【作者】高清河;刚晶;王和禹;刘海英【作者单位】辽宁中医药大学信息工程学院,辽宁沈阳 110847;辽宁中医药大学信息工程学院,辽宁沈阳 110847;辽宁中医药大学信息工程学院,辽宁沈阳 110847;辽宁中医药大学信息工程学院,辽宁沈阳 110847【正文语种】中文【中图分类】R318;TP3910 引言中医舌诊在现代医学的诊断和治疗中起到了越来越大的作用 [1-3]，随着现代计算机科学以及医学影像学的进步，传统的中医舌诊正朝着科学性和标准化方向发展[4]。

目前，常用的舌像分割方法主要包括基于阈值的分割方法和基于边缘检测的分割法 [5-8]。

然而，Snakes模型方法在中医舌像分割应用上，显示出了良好的性能，但应用Snakes模型得到分割的结果对初始化的依赖程度较大。

因此，本文着重对传统的Snake模型方法进行了改进性研究。

1 Snake模型基本原理式中，vi=(xi,yi)，i=0,1,…,n-1 为采样点，n 为采样点的个数。

为使得初始轮廓曲线收敛到目标轮廓，Snake模型是通过能量函数最小化的方法实现的；其中，Eext(vi)为外部能量，表示为式中，Eimage(vi)为图像能量，决定了初始轮廓曲线向目1987年M.Kass[9]等人提出了 Snake模型，该模型有机整合了分割区域的边缘和约束条件。

基于K-means聚类方法的三维点云模型分割_论文

１引言近年来，由于三维激光扫描仪的广泛使用，第四代数字多媒体———面向三维模型的数字几何处理时代已经到来［１］。

在网络游戏、影视娱乐、三维ＣＡＤ等应用中，如何根据某种局部形状特征，重用和修改现有三维模型，即三维模型的分割，已经成为一个重要研究课题［２］。

２００４年，基于分割的三维模型形状描述和检索列入了多媒体信息检索国际标准ＭＰＥＧ－７，这标志着一个巨大的产业前景［３］。

三维模型分割，是指依据表面形状特征，将三维模型分解为一组数目有限、各自具有简单形状意义的较小模型的研究工作。

它被广泛应用于网格简化、几何压缩与传输、交互编辑、纹理映射、几何变形、参数化、以及ＣＡＤ逆向工程等数字几何处理工作［４，５］。

目前国际国内对三维模型分割问题的研究，多数是面对具体应用问题，从图像分割技术推广而来，例如分水岭法、区域增长法、Ｍｅａｎ－ｓｈｉｆｔ法、聚类分析方法等。

目前还没有一个有效的三维模型分割评价标准，多数工作仅仅致力于进一步提高分割质量［２］。

较早的三维模型分割工作，可以追溯到１９９１年Ｖｉｎｃｅｎｔ和Ｓｏｉｌｌｅ将图像处理中的分水岭方法推广到任意拓扑连接的三维模型分割问题上［６］。

另外两个有代表性的工作是：１９９７年Ｗｕ和Ｌｅｖｉｎｅ模拟电场在曲面网格上的分布，给出了基于物理的分割方法［４］；１９９９年Ｍａｎｇａｎ和Ｗｈｉｔａｋｅｒ使用分水岭方法实现三维网格分割，并较好地解决了过分割问题［５］。

更多的相关研究工作在文献［２］中有详细的介绍。

但是，由于三维网格模型的有效性普遍较低，针对网格缝隙、空洞、悬挂点、边面退化等问题，目前还没有较为理性的健壮算法。

于是，对三维点云模型的分割是本文的出发点。

２三维模型的聚类分割聚类分析（ＣｌｕｓｔｅｒＡｎａｌｙｓｉｓ）是一种多元统计分析方法，它按照“物以类聚”的原则，对数据进行分类。

其基本原理是：考察ｍ个数据点，在ｍ维空间内，定义点与点之间某种性质的亲疏距离；设ｍ个数据点组成ｎ类（ｎ≤ｍ），然后将具有最小距离的两类合为一类，并重新计算类与类之间的距离；迭代，直到任意基于Ｋ－ｍｅａｎｓ聚类方法的三维点云模型分割孙红岩１孙晓鹏２，３李华２１（鞍山科技大学计算机系，辽宁鞍山１１４０４４）２（中国科学院计算技术研究所智能信息处理重点实验室，北京１０００８０）３（中国科学院研究生院，北京１０００３９）Ｅ－ｍａｉｌ：ｘｐｓｕｎ＠ｉｃｔ．ａｃ．ｃｎ摘要提出采用Ｋ－ｍｅａｎｓ聚类分析方法对三维点云模型进行分割。

基于MeanShift的织物图像分割算法

第28卷第10期2007年10月纺织学报Journal of Textile Research Vol.28 No.10Oct. 2007文章编号:0253-9721(2007)10-0108-05基于Mean Shift 的织物图像分割算法诸葛振荣1,徐敏1,刘洋飞2(11浙江大学电气工程学院,浙江杭州 310027;21浙江大学经纬计算机系统工程有限公司,浙江杭州 310027)摘要首先介绍了Mean Shift 算法的处理过程,然后以处理织物图像分割为研究对象,将扩展形式的Mean shi ft 算法用于解决织物图像分割问题。

新提出的织物图像分割算法包括2个步骤:Mean Shift 图像滤波和Mean Shift 图像分割,并介绍了各自的原理。

分割效果有3个关键参数控制:空域带宽、色度域带宽和最小区域限制。

实验结果给出了3个参数的影响和选取分析,最后给出该织物图像分割算法与原C AD 处理效果比较图,表明该算法具有可行性、有效性和鲁棒性。

关键词均值转移;织物图像;图像滤波;图像分割中图分类号:TS391 文献标识码:AFabric image segmentation algorithm based on Mean ShiftZHUGE Zhenrong 1,X U Min 1,LI U Yangfei2(11College o f Electrical Engineering ,Zhejian g University ,Hangzhou ,Zhejiang 310027,China ;21Com pute r System En gineering Co .,Ltd .,Zhejiang Unive rsity ,H angzhou ,Zhe j iang 310027,China )Abstract Firstly,Mean Shift procedure was introduced.And then targeting at the researc h on fabric ima ge segmenta tion,the extended Mean shift algorithm was used to try to solve the issue.A ne wly proposed fabric image segmentation algorithm involved two steps:Mean Shift image filtering and image se gmentation,and their principles were e xplained respectively.The segmentation results were controlled by three important parameters,i.e.spatial bandwidth,color bandwidth and minimum region,whose influence,selection and analysis were demonstrated.Finally,the fabric image segmentation algorithm and the graph for comparison showing the previous CAD processed effec t were given,which showed the feasibility,efficiency and robustness of that algorithm in fabric image processing.Key words Mean Shift;fabric image;image filtering;image segmentation 收稿日期:2007-01-23 修回日期:2007-04-24作者简介:诸葛振荣(1948)),男,副教授。

基于改进的K_means算法在图像分割中的应用

基于改进的K_means算法在图像分割中的应用
李栋;刘萌萌;郭莎
【期刊名称】《电脑知识与技术》
【年(卷),期】2016(012)008
【摘要】图像分割是图像处理中一种重要的图像分析技术.对灰度图像的分割,处理图像的亮度分量又是图像分割的基本方法.图像分割方法对区域的目标检测和模式识别有重要的意义.K_means算法是基于元素距离中心点的大小作为相似性度量的聚类算法.该文通过参数统计直方图来预估中心点k值的个数,并根据直方图峰值的位置来确定聚类中心的位置.该方法的初始聚类中心值与实际中心值相差不多,因此,大大减少了迭代次数,计算量更少.结果表明,改进K_Means聚类算法提高了图像分割的效率,降低了K_means算法的时间复杂度和空间复杂度.
【总页数】3页(P166-168)
【作者】李栋;刘萌萌;郭莎
【作者单位】北方工业大学计算机学院,北京100144;北方工业大学计算机学院,北京100144;北方工业大学计算机学院,北京100144
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进谱聚类算法在图像分割中的应用 [J], 王贝贝;杨明;燕慧超
2.一种改进的基于遗传算法优化的OTSU算法在岩心CT扫描图像分割中的应用
[J], 汤翟;何风
3.基于改进K-均值算法在彩色图像分割中的应用 [J], 刘盈盈;石跃祥;莫浩澜
4.基于距离变换的改进分水岭算法在白细胞图像分割中的应用 [J], 侯慧;石跃祥
5.一种改进的K_means算法在旅游客户细分中的应用 [J], 汪永旗
因版权原因，仅展示原文概要，查看原文内容请购买。

基于GVF Snake模型的图像分割算法

基于GVF Snake模型的图像分割算法
王敏;王培光;王娜;宗晓萍
【期刊名称】《电子世界》
【年(卷),期】2017(000)014
【摘要】图像分割指的是从待分割图像中提取感兴趣的目标.进一步对目标进行跟踪分析等应用.Snake活动轮廓模型不同于传统的分割方法.本文在传统Snake模型的基础上运用GVF Snake模型进行图像目标处理,克服了手动绘制初始轮廓显得缺陷,实现自动确定活动轮廓模型的初始轮廓并进行连续迭代分割图像.通过对不同目标进行实验,验证了该算法的优越性.
【总页数】2页(P11-12)
【作者】王敏;王培光;王娜;宗晓萍
【作者单位】河北大学电子信息与工程学院;河北大学电子信息与工程学院;河北大学电子信息与工程学院;河北大学电子信息与工程学院
【正文语种】中文
【相关文献】
1.基于交叉熵和GVF-Snake的子宫肌瘤高强度聚焦超声图像自动分割算法 [J], 张泽凡;张东
2.基于GVF Snake模型的图像分割方法在放射吸收法(RA)中的应用 [J], 孙涛;汪家旺;韩善清
3.基于GVF Snake模型的设备内壁图像轮廓提取 [J], 石云峰;王保保
4.基于改进的GVF Snake模型CT图像轮廓提取技术 [J], 张伟伟;赵歆波;张涛;王
凯
5.基于K-means和GVF Snake模型的纤维图像分割 [J], 韩海梅;姚砺;万燕因版权原因，仅展示原文概要，查看原文内容请购买。

K-Means聚类算法和人工鱼群算法应用于图像分割技术

K-Means聚类算法和人工鱼群算法应用于图像分割技术楚晓丽【期刊名称】《计算机系统应用》【年(卷),期】2013(022)004【摘要】The paper presents an artificial fish swarm algorithm based on K-Means clustering.The algorithm uses the feature of having artificial fish swarm algorithm's strong robustness and being not easy to fall into local optimum value,and hence dynamically determines the number of clusters and center,overcoming the defects of K-Means clustering initial point selected unstable.The image segmentation is processed based on the fusion of two algorithms.The test proves the algorithm is ideal.%提出一种基于K-Means聚类的人工鱼群算法,该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点,动态的确定了聚类的数目和中心,解决了K-Means聚类初始点选择不稳定的缺陷,在此两种算法融合的基础上进行图像分割处理,经试验证明该算法效果理想.【总页数】4页(P92-94,103)【作者】楚晓丽【作者单位】广东农工商职业技术学院,广州 510507【正文语种】中文【相关文献】1.一种改进的K-means聚类算法在图像分割中的应用 [J], 任恒怡;贺松;陈文亮2.基于改进的K-means聚类算法在图像分割中的研究 [J], 姚丽君;赵磊3.基于K-means聚类算法的图像分割方法比较及改进 [J], 王爱莲;伍伟丽;陈俊杰4.基于改进K-means聚类算法的金鱼阴影去除及图像分割方法 [J], 王帅;刘世晶;唐荣;陈军;刘兴国5.基于K-means聚类算法的房屋图像分割研究 [J], 黄倬楠因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的K-means聚类算法在图像分割中的应用

一种改进的K-means聚类算法在图像分割中的应用任恒怡;贺松;陈文亮【期刊名称】《通信技术》【年(卷),期】2017(050)012【摘要】K-means聚类算法是图像分割中比较常见的一种方式.它是一种无监督学习方法,能够从研究对象的特征中发现关联规则,因而具有强有力的处理方法.但是,由于该算法对噪声的敏感性K值及初始类心的不确定性,使其在图像分割中存在缺陷,于是提出了一种改进的K-means聚类算法来提高分割的效果.首先对图像进行平滑滤波处理,再根据相应条件找到特征向量作为初始类心,最后进行聚类操作.实验表明,本算法能够有效提取目标对象,提高图像分割的效果.%K-means clustering algorithm is a common way in image segmentation, and as a kind of unsupervised learning method, could discover the association rules from the characteristics of the research object, and thus is of strong processing ability. However, due to its sensitivity to the noise and uncertainty of the initial centroid, this algorithm still has some defects in the image segmentation. Based on this, a modified K-means clustering algorithm is proposed to improve the segmentation results. Firstly, the image is smoothed and filtered, and then the feature vector is found as the initial centroid according to the corresponding conditions; finally, the clustering operation is performed. Experiments show that this algorithm could effectively extract the target object and improve the effect of image segmentation.【总页数】4页(P2704-2707)【作者】任恒怡;贺松;陈文亮【作者单位】贵州大学大数据与信息工程学院,贵州贵阳 550025;贵州大学大数据与信息工程学院,贵州贵阳 550025;贵州大学大数据与信息工程学院,贵州贵阳550025【正文语种】中文【中图分类】TP391.9【相关文献】1.一种K-means聚类算法的改进与应用 [J], 张杰;卓灵;朱韵攸2.一种改进的FCM聚类算法在噪声图像分割中的应用 [J], 崔亮;徐玉冰;程耀瑜3.基于改进的K-means聚类算法在图像分割中的研究 [J], 姚丽君;赵磊4.一种改进的k-means聚类算法在入侵检测中的应用 [J], 尹珧人;王德广5.一种用于轴承缺陷图像分割的改进k-means聚类算法 [J], 周新建;涂宏斌因版权原因，仅展示原文概要，查看原文内容请购买。

基于分裂式K均值聚类的图像分割方法

基于分裂式K均值聚类的图像分割方法张健;宋刚【期刊名称】《计算机应用》【年(卷),期】2011(31)2【摘要】Fuzzy C-Means (FCM) clustering algorithm is an efficient unsupervised segmentation method, which is suitable for any classification number without the need to predict the image characteristics, but its clustering result has direct impact from sample noise component and the set of initial conditions.Therefore, a Fissive K-Means(FKM) clustering algorithm for color image segmentation was proposed, which firstly denoised the sample data using median filtering, then preclassified the image samples according to a fissive clustering method to get an initial partition of sample set, finally iteratively optimized segmentation using K -means clustering based on the rule of probability distance from the initial partition.The experimental results show that the algorithm can avoid the misclassification of FCM such as dead center, center overlapping and local minima, and accelerate the segmentation speed.%模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响.因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化.实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度.【总页数】3页(P372-374)【作者】张健;宋刚【作者单位】山东大学信息科学与工程学院,济南,250100;山东大学信息科学与工程学院,济南,250100【正文语种】中文【中图分类】TP391.41【相关文献】1.基于数据融合的K均值聚类彩色图像分割方法 [J], 丁明月;庄晓东2.基于分裂式K均值聚类的肤色检测方法 [J], 赵杰;桑庆兵;刘毅锟3.基于K均值聚类陶瓷窑炉火焰图像分割方法 [J], 朱永红;熊朦;赵一峰;王伟4.基于Lab空间的K均值聚类彩色图像分割方法 [J], 张红霞; 章银娥5.基于Lab空间的K均值聚类彩色图像分割方法 [J], 张红霞;章银娥因版权原因，仅展示原文概要，查看原文内容请购买。