基于k均值聚類(lèi)分割的植物切片特征區(qū)域分割方法研究.pdf

1、生命信息科學(xué)的不斷發(fā)展，對(duì)信息源的要求越來(lái)越高。在植物切片的分析研究中，常常需要對(duì)圖像中各個(gè)不同特征的子區(qū)域進(jìn)行詳細(xì)研究。這就需要對(duì)切片的各個(gè)不同特征的子區(qū)域進(jìn)行按類(lèi)分割，然后對(duì)各個(gè)子區(qū)域分別進(jìn)行特征描述。
　　傳統(tǒng)的聚類(lèi)分割方法，主要集中在圖像的紋理特征或灰度上，對(duì)圖像信息量的使用比較不充分，在植物切片的特征區(qū)域分割上很難取得理想效果。本文針對(duì)植物切片的豐富的顏色特征和細(xì)致的紋理結(jié)構(gòu)，基于k-mean，融合顏色、空間坐標(biāo)以及紋理

2、特性的多維信息，研究不同特征區(qū)域間的聚類(lèi)分割方法。主要工作如下：
　?。?）對(duì)本論文涉及的植物切片圖像，采用目前主要的圖像分割技術(shù)進(jìn)行分割試驗(yàn)，通過(guò)試驗(yàn)結(jié)果分析各種方法的優(yōu)缺點(diǎn)，指出這些方法對(duì)植物切片特征區(qū)域分割所存在的困難。
　?。?）深入研究了Mean Shift和k-means聚類(lèi)分割方法。通過(guò)大量試驗(yàn)、分析和比較，指出Mean Shift算法在聚類(lèi)過(guò)程中所具有的良好自適應(yīng)性，但其核函數(shù)的帶寬在某種意義上限制了這種自適

3、應(yīng)性。k-means算法原理簡(jiǎn)單、聚類(lèi)效果好，在初始化聚類(lèi)中心時(shí)比較靈活，但也因此會(huì)導(dǎo)致聚類(lèi)工作量變大。圖像特征的選定與提取在這里成為關(guān)鍵，不同特征帶來(lái)不一樣的分割效果，也影響聚類(lèi)工作量的大小。
　?。?）針對(duì)本論文涉及的植物切片圖像特點(diǎn)—豐富的顏色特征和細(xì)致的紋理結(jié)構(gòu)，研究建立了基于紋理和顏色組合特征的區(qū)域分割方法。首先，建立了基于顏色、空間坐標(biāo)和紋理特征的組合特征向量。為提高k-means算法效率，對(duì)特征向量進(jìn)行降維、并設(shè)計(jì)了