聚类分割.ppt

聚类分割法[2][6] 聚类就是按照一定得要求和规律对事物进行区分和分类的过程，一般要求给出要分割聚类数和各初始聚类中心。 经典的聚类分割法包括C均值聚类法和模糊C均值聚类法。聚类分割法的优点是不需要先验知识，属于无监督分割法，大大提高了分割的自动化程度，同时提高了分割的效率。缺点是，所有典型的聚类分割法都对初始值敏感，分割效果不稳定。另外由于没有考虑图像空间上下文间信息，所以分割效果不甚理想 C均值法（K均值法） 这种方法要求每一个体数据都只能且必须属于一类。给定初始分类数和聚类中心，迭代进行，最后收敛至极值点，达到分割的效果。 以下为将脑部MR图像分为背景，白质，灰质，脑脊液四类时的结果，由于给的初始值不同，所以收敛情况不同，相应的得到了不同的结果，可以对比选出最好的情况。（未处理图片来自文献[5]） 模糊C均值分割法 图像是变幻莫测的，不同类别的区域很多没有明确界限，你很难说某一个像素属于哪一类[3]。并且由于C均值法只适用于致密型分布的分割，而对于壳型分布等复杂分布处理效果不理想[2]，而此时模糊数学就派上了用场，将模糊理论运用于聚类识别中就产生了经典的模糊C均值法。 模糊分割算法属于基于函数最优化的分类方法。大多数的模糊聚类算法都是通过使代价函数最小得到的 下面演示了用模糊C均值法对脑部MR头像分割的效果图，跟前面一样，这里分为白质，灰质，背景，脑脊液四类。上图为原图，下图为处理过后的效果图。 * * * * * *