Mean-shift和K均值聚类彩色图像分割技术研究(4)
图像分割在数字图像处理中的基础和关键作用，使得它在许多领域获得了成功应用。在实际研究当中，只要是涉及到对图像中的目标需要进行测量、提取等工作的都与图像分割技术分不开。图像分割发展至今，已经在遥感、军事、医学工程、工业控制等方面取得了开拓性成果。
随着社会和科技的发展，智能交通系统的应用也日益广泛，图像分割是车牌的定位和提取中的关键技术。研究者们根据车牌图像的灰度、颜色、纹理等特征对车牌图像进行图像增强、滤波、二值化、边缘检测等一系列操作，将车牌区域从原始图像中提取出来，再根据提取的车牌区域中字符和背景的不同，将区域中车牌字符进一步提取出来。这种车牌提取技术在智能交通系统中已经比较成熟，在实际生活当中已经得到了广泛应用。
在生物医学工程领域，为了便于医学图像的辨识和分析，图像分割技术也是起着举足轻重的作用。典型的医学图像处理是应用在超声图像处理中。图像分割就是找出研究者所关注的或者有疑惑的区域，把这些区域从图像的背景中分割并提取出来。从分割后的图像中，研究者可以方便地找出病源的形状和位置，提高了治疗和诊断的准确性。
1.2 图像分割研究的意义
图像分割在数字图像处理中发挥着关键的作用，它在保留原始图像相关结构特征的同时，使得研究者对图像辨识和分析等后续处理更方便，需要处理的数据量也大大地减少。而如果在进行图像分割时存在误差，这些误差会影响到分割之后的图像操作，所以，在图像分割中，对精确度的要求是非常高的，这也一直是研究的重点和热点，被认为是在计算机视觉研究中的一个瓶颈问题。所以研究图像分割的技术，对提高分割的质量和效率具有重大的意义。
2 图像分割方法
前面介绍过现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。下面主要对K均值聚类和均值漂移算法（mean shift）进行介绍。
2.1 K均值聚类
2.1.1 聚类
聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。
2.1.2 K均值聚类
K均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目 ， 由用户指定， 均值算法根据某个距离函数反复把数据分入 个聚类中。
2.1.3 K均值聚类算法
K均值算法（K-Means algorithm）是最常用的聚类算法之一，属于划分聚类方法。对于数据样本集 ， 为样本数，设拟划分为 个聚类 ， 为 的中心， 。
上一篇：铁路监控视频的超分辨率技术研究
下一篇：无绝缘移频自动闭塞系统设计