与此同时数字信号处理各种算法日趋完善，特别是运算能力很强的数字信号处理器(DSP)的问世，使现代图像处理系统进入了和计算机紧密结合的全数字体制的阶段。以DSP为核心的硬件系统同样可以用来进行图像处理，为这个问题的解决带来了新的途径。  DSP的运算速度和运算精度不断地提高，片内的存储容量不断地加大，系统功能、数据处理能力以及与外部设备的通信功能不断地增强，完全可以脱离PC机开发出基于DSP的图像系统。这种设计方案的优点是设计简单、灵活，成本比较低，便于实际中使用。
2.2    图像的分割原理
在图像的研究和应用中，人们往往只对一幅图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单个区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从衣服图像中孤立出来，这就是图像分割要研究的问题。所谓图像分割，从广义上来说，是根据图像的某些特征或特征集合（包括灰度、颜色、纹理等）的相似性准则进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域的像素特征是类似的，即具有一致性；而不同区域间像素的特征存在突变，即具有非一致性。
从集合的角度来看，图像分割的定义是：
对于图像F，若存在不相交的非空子集F1,F2,F3.....Fm.,使得：
1）  = ，                                               （2.1）
2）每一个 都是4-连通或8-连通域；
3）对每一个 来说都满足某种均匀性（或一致性）的要求；
4）任何数目的相邻子集之并都不满足上述均匀性（或一致性）的要求。
则称（ ， ，..... ,)是F的一种分割。
而所谓的图像分割是指从全图出发，按“有意义”属性一致的准则，决定每个像素的区域归属，形成区域图。可以概括的讲，图像分割是按选定的一致性准则P将图像S划分为互不交迭的区域集{ , ,....... }的过程。
2.2.1    灰度图像的K-均值聚类法原理
    K-均值聚类法可以将一幅图像分割成k个区域。设（m，n）代表数字图像像素的坐标， 代表像素 的灰度，则K-均值法的最小化指标为：
                       （2.2）
     式中： 表示图像中有 个区域， 表示在第i次迭代后图像中第j个区域， 表示（i+1）次迭代后第j个区域的平均值。上式实际上给出了每个像素与其对应区域均值的距离和。
     K-均值聚类算法的具体步骤如下。
（1）任意选 个初始类均值， 、 、••• 。
（2）在第i次迭代时，根据下述距离准则将每个像素都赋给 类（区域）之一：
  若                （2.3）
      即将每个像素赋给均值离它最近的类。
     （3）对每个类，更新该类的均值：
                         （2.4）
      式中 是更新后的类 中的像素个数。
     （4）如果对所有的类，有 ，则算法收敛，结束；否则退回步骤（2）继续下一迭代。 彩色图像的分割处理程序设计+Hough算法(9):http://www.youerw.com/jisuanji/lunwen_1067.html