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。
上一篇:ASP.net+sqlserver在线考试管理系统设计与实现
下一篇:Linux服务器数据安全方案的设计与实现

基于Apriori算法的电影推荐

PHP+IOS的会议管理系统的设计+ER图

数据挖掘在电子商务中的应用

数据挖掘的主题标绘数据获取技术与实现

基于PageRank算法的网络数据分析

基于神经网络的验证码识别算法

基于网络的通用试题库系...

神经外科重症监护病房患...

志愿者活动的调查问卷表

国内外图像分割技术研究现状

中国学术生态细节考察《...

医院财务风险因素分析及管理措施【2367字】

承德市事业单位档案管理...

C#学校科研管理系统的设计

AT89C52单片机的超声波测距...

公寓空调设计任务书

10万元能开儿童乐园吗,我...