重慶大學(xué)本科開(kāi)題報(bào)告范本

　　畢業(yè)設(shè)計(jì)（論文）開(kāi)題報(bào)告

　　1、課題的目的及意義（含國(guó)內(nèi)外的研究現(xiàn)狀分析或設(shè)計(jì)方案比較、選型分析等）

　　1.1課題目的

　　圖像分割是一種重要的圖像分析技術(shù)。在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)圖像中的某些部分感興趣，這些部分常常被稱為目標(biāo)或前景（其他部分稱為背景），它們一般對(duì)應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。這里的獨(dú)特性質(zhì)可以是像素的灰度值，物體輪廓曲線、顏色、紋理等。為了識(shí)別和分析圖像中的目標(biāo)，需要將它們從圖像中分離提取出來(lái)，在此基礎(chǔ)上才有可能進(jìn)一步對(duì)目標(biāo)進(jìn)行測(cè)量和對(duì)圖像進(jìn)行利用。圖像分割就是指圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程?1?。

　　聚類是人類的一項(xiàng)最基本活動(dòng)，在自然科學(xué)和社會(huì)科學(xué)中，存在著大量的聚類問(wèn)題。聚類類似于分類，都是把多個(gè)元素按照相似程度進(jìn)行分類，如相似程度大的分成一類，把不相似或者說(shuō)差別大的分成不同類。但聚類和分類不同，分類預(yù)先就制定好標(biāo)準(zhǔn)，而聚類沒(méi)有預(yù)先制定好的標(biāo)準(zhǔn)。以不同的標(biāo)準(zhǔn)進(jìn)行分類，會(huì)得到不同的結(jié)果，因此，聚類也就有多種方式。研究聚類問(wèn)題，有很大的意義，它是研究其他問(wèn)題的起點(diǎn)。數(shù)據(jù)通過(guò)聚類以后，進(jìn)行其他的數(shù)據(jù)處理，如數(shù)據(jù)匯總等，就可以提取出數(shù)據(jù)特征，為制定各種方案和決策提供理論上的依據(jù)。

　　圖像分割將一幅圖像劃分成若干個(gè)具有某種均勻一致性的區(qū)域，從而將人們感興趣的區(qū)域從復(fù)雜的場(chǎng)景中提取出來(lái)。圖像的分割問(wèn)題可看作是對(duì)像素進(jìn)行聚類的問(wèn)題。

　　基于聚類分析得圖像分割方法是圖像分割領(lǐng)域中一類極其重要和應(yīng)用相當(dāng)廣泛的算法，無(wú)論是灰度圖像分割、彩色圖像分割還是紋理圖像分割或者其他類型的圖像分割，都可以應(yīng)用聚類分析方法完成分割。由于圖像的分割問(wèn)題可看作是對(duì)像素進(jìn)行聚類的問(wèn)題，因此聚類算法應(yīng)用于圖像分割問(wèn)題中，同樣可以把人們感興趣的部分分割出來(lái)，而聚類算法簡(jiǎn)單、收斂速快等特點(diǎn)，使得人們可以快速提取彩色圖像信息，以便對(duì)圖像做進(jìn)一步的處理。

　　1.2國(guó)內(nèi)外發(fā)展現(xiàn)狀

　　圖像分割的方法已有上千種，每年還有許多新方法出現(xiàn)，典型而傳統(tǒng)的分割方法可以分為基于閾值的方法、基于邊緣的方法和基于區(qū)域分割方法等。彩色圖像分割是圖像處理中的一個(gè)主要問(wèn)題，也是計(jì)算機(jī)視覺(jué)領(lǐng)域低層次視覺(jué)中的主要問(wèn)題。多年來(lái)，彩色圖像分割技術(shù)一直在工業(yè)自動(dòng)化控制、遙感遙測(cè)、微生物工程以及合成孔徑雷達(dá)成像等多種工程應(yīng)用領(lǐng)域得到相當(dāng)廣泛的應(yīng)用�？偟膩�(lái)說(shuō)，彩色圖像分割的方法可以分為基于像元、區(qū)域、邊緣的分割三大類，前兩類利用的是相似性，基于邊緣的分割則是利用的是不連續(xù)性。

　　目前聚類分析在許多實(shí)際問(wèn)題上都有應(yīng)用，應(yīng)用的領(lǐng)域涉及商務(wù)、生物學(xué)、信息檢索、氣候、心理學(xué)和醫(yī)學(xué)等等?2?。聚類算法不需要訓(xùn)練樣本，因此，聚類是一種無(wú)監(jiān)督的統(tǒng)計(jì)方法。因?yàn)闆](méi)有訓(xùn)練樣本值，聚類算法迭代的執(zhí)行對(duì)圖像分類和提取各類的特征值。聚類分析雖然不需要訓(xùn)練集，但是需要有一個(gè)初始分割提供初始參數(shù)，初始參數(shù)對(duì)最終分類結(jié)果影響較大。另一方面，聚類也沒(méi)有考慮空間關(guān)聯(lián)信息，因此也對(duì)噪聲和灰度不均勻敏感。

　　聚類分析算法在圖像分割中應(yīng)用得較為廣泛，其中尤以K-means算法應(yīng)用較多。但是，基于k-means聚類算法在圖像分割中的缺點(diǎn)，目前有很多改進(jìn)的算法，主要改進(jìn)目標(biāo)有幾個(gè)方面：(1)初始值的選擇以及輸入順序?qū)�聚類結(jié)果影響；(2)算法的效率問(wèn)題；(3)小波變換聚類算法的研究。主要的改進(jìn)方向有以下幾個(gè)方面：（1）圖像數(shù)據(jù)信息的預(yù)處理；（2）初始聚類中心的選擇；（3）聚類個(gè)數(shù)K的確定；（4）相似度和聚類目標(biāo)函數(shù)的選擇。

　　國(guó)內(nèi)的研究如：華東交通大學(xué)的周新建和涂宏斌從效率方面考慮，選用Tanimoto系數(shù)作為類別判定準(zhǔn)則，即Tanimoto測(cè)度對(duì)算法進(jìn)行改進(jìn)，使缺陷圖片的邊緣更加清晰，分割結(jié)果既突出了目標(biāo)，又保留了細(xì)節(jié)，獲得較好的分割效果?3?；鄭州大學(xué)李翠和馮冬青從初始聚類中心和相似度方面考慮，利用數(shù)理統(tǒng)計(jì)的方法獲取優(yōu)化的初始聚類中心，同時(shí)引入加權(quán)的歐式距離作為衡量相似度的標(biāo)準(zhǔn)，也獲得了很好的分割效果?4?；清華大學(xué)的田金蘭，朱林，張素琴和劉璐同時(shí)從初始的聚類中心的選擇和距離目標(biāo)函數(shù)的計(jì)算入手，提出聚類中心預(yù)處理和距離并行計(jì)算的方式這兩個(gè)方面提高k-means算法的效率?5?等等。

　　國(guó)外也有很多基于改進(jìn)的k-means算法的圖像分割研究，如：Aristidis Likasa等針對(duì)傳統(tǒng)的k-means有可能出現(xiàn)局部最優(yōu)的情況,提出了從一個(gè)合適的位置開(kāi)始，通過(guò)每執(zhí)行一次增加一個(gè)聚類中心的方式達(dá)到全局最優(yōu)方法?6?；Adil M. Bagirov也提出了通過(guò)使輔助的聚類函數(shù)極小后獲得第k個(gè)聚類中心的另一種全局最優(yōu)的聚類算

　　2、課題任務(wù)、重點(diǎn)研究?jī)?nèi)容、實(shí)現(xiàn)途徑

　　2.1課題的主要任務(wù)

　　（1）查詢、翻譯相關(guān)的資料，學(xué)習(xí)圖像處理和聚類算法，熟悉課題涉及的內(nèi)容，初步了解課題的主要任務(wù)，同時(shí)學(xué)習(xí)MATLAB的編程知識(shí)，掌握與圖像處理和k-means相關(guān)的編程技巧；

　�。�2）熟悉圖像處理的常用方法，掌握傳統(tǒng)的k-means算法，分析其優(yōu)缺點(diǎn)，并對(duì)其進(jìn)行改進(jìn)；

　　（3）用MATLAB編程實(shí)現(xiàn)上述的.改進(jìn)算法，并利用圖片庫(kù)中的圖片進(jìn)行實(shí)驗(yàn)仿真。

　　2.2課題重點(diǎn)研究的內(nèi)容

　　本次課題重點(diǎn)研究的內(nèi)容針對(duì)傳統(tǒng)的k-means算法在彩色圖像分割中的缺點(diǎn)進(jìn)行改進(jìn)。傳統(tǒng)的k-means算法簡(jiǎn)單，收斂的速度快，但是一方面算法本身對(duì)初始值的選擇，孤立點(diǎn)等方面并不是很好，且可能獲得局部最優(yōu)，而不是全局最優(yōu)；另一方面它往往只針對(duì)灰度圖像，對(duì)于彩色圖像的分割效果也不是很好。所以，本課題就其缺點(diǎn)做進(jìn)一步的改進(jìn)。

　　2.3課題的實(shí)現(xiàn)途徑

　　通過(guò)查閱文獻(xiàn)，仔細(xì)思考，初步確定了課題的實(shí)現(xiàn)途徑：

　　首先弄清楚傳統(tǒng)的k-means算法的原理及其在彩色圖像分割中如何應(yīng)用，并了

　　10?解MATLAB的編程環(huán)境及傳統(tǒng)的k-means如何在MATLAB中如何實(shí)現(xiàn)?8，；然后

　　通過(guò)原圖和用傳統(tǒng)的k-means算法進(jìn)行彩色圖像分割得到的分割圖像作比較，了解傳統(tǒng)的k-means算法的不足；其次通過(guò)仔細(xì)研究，確定對(duì)k-means算法的改進(jìn)方向和改進(jìn)方案并編寫程序；最后通過(guò)對(duì)比，獲得最終的結(jié)論?9?。

　　在MATLAB中實(shí)現(xiàn)過(guò)程如下：

　　Step1：輸入彩色圖像，并顯示出來(lái)；

　　Step2：采集圖像的亮度和色彩信息；

　　Step3：用改進(jìn)的k-means 算法對(duì)圖像信息進(jìn)行聚類；

　　Step4：按聚類對(duì)圖像進(jìn)行分割，把分割后的圖像顯示出來(lái)；

　　Step5：通過(guò)比較驗(yàn)證改進(jìn)后的算法效果；

　　Step6：得出結(jié)論。

　　參考文獻(xiàn)

　　[1]張德豐等.MATLAB數(shù)字圖像處理 第2版[M].北京：機(jī)械工業(yè)出版社，2012.1

　　[2]元昌安等.數(shù)據(jù)挖掘原理與spss clementine應(yīng)用寶典[M].北京：電子工業(yè)出版社，2009.8

　　[3]周新建，涂宏斌.基于改進(jìn)的K-means聚類圖像分割算法[D].南昌：CAD／CAM 研究室，2007

　　[4]李翠, 馮冬青.基于改進(jìn)K均值聚類的圖像分割算法研究[D].鄭州：鄭州大學(xué)電氣工程學(xué)院，2011.3

　　[5]TIAN Jinlan，ZHU Lin，ZHANG Suqin，LIU Lu.Improvement and Parallelism of k-Means Clustering Algorithm[D].Beijing:Department of Computer Science and Technology, Tsinghua University,2005.6

　　[6]Aristidis Likas, Nikos Vlassis, JakobJ. Verbeek.The global k-means clustering algorithm[J].Greece:Department of Computer Science, University of Ioannina,2003.3

　　[7]AdilM.Bagirov.Modified global k-means algorithm for minimum sum-of-squares clustering problems[J].Victoria:Centre for Informatics and Applied Optimization, School of Information Technology and Mathematical Sciences, University of Ballarat.2008

　　[8](美)岡薩雷斯（Rafael C.Gonzalez）等著,阮秋琦等譯. 數(shù)字圖像處理（Matlab版）[M]. 北京:電子工業(yè)出版社, 2005.

　　[9]Gonzalez C Rafael, Woods E Richard. 數(shù)字圖像處理(第二版) [M],北京:電子工業(yè)出版社, 2003: 463～474.

　　[10]Tou J T, Gonzalez R C. Pattern recognition principle [M]. Addison Wesley, Reading, 1974.

　　3、進(jìn)度計(jì)劃

　　學(xué)生簽名：

　　年 月 日

　　4、指導(dǎo)教師意見(jiàn)

　　指導(dǎo)教師簽名：

　　年 月 日