图像分割技术的原理及应用 图像分割至今尚无通用的自身理论。随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。 聚类分析特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。其中，K 均值、模糊 C 均值聚类（FCM）算法是最常用的聚类算法。K 均值算法先选 K 个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。模糊 C 均值算法是在模糊数学基础上对K 均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K 均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用模糊 C 均值（FCM）非监督模糊聚类标定的特点进行图像分割，可 以 减 少 人 为的干 预 ，且 较 适合图像中存 在不确定性和模糊性的特点。 FCM 算法对初始参 数极 为敏 感 ，有 时 需 要 人 工 干 预 参 数的初始化以 接 近全 局 最优解 ，提高 分割速 度。另 外 ，传 统 FCM 算法没 有 考 虑 空间信 息 ，对噪 声 和灰 度不均匀 敏 感 。 模糊集理论 模糊集理论具 有 描述事物不确定性的能力 ，适合于图像分割问 题 。1998 年 以 来 ，出现了许多模糊分割技术，在图像分割中的应用日 益 广泛 。模糊技术在图像分割中应用的一个显 著特点就 是它能和现有 的许多图像分割方法相结合，形 成 一系 列 的集成 模糊分割技术，例 如模糊聚类、模糊阈值、模糊边缘检 测 技术等 。 模糊阈值技术利用不同 的S 型 隶属函数来 定义 模糊目标，通过优化过程 最后选择 一个具 有最小不确定性的S 函数。用该 函数增 强 目标及属于该 目标的像素之间的关 系 ，这 样得到的S 型 函数的交 叉 点为阈值分割需 要 的阈值，这 种 方法的困 难 在于隶属函数的选择 。基于模糊集合和逻 辑 的分割方法是以 模糊数学为基础，利用隶属图像中由 于信 息 不全 面、不准 确、含 糊、矛 盾 等 造 成 的不确定性问 题 。该 方法在医 学图像分析中有 广泛 的应用，如 薛 景 浩 等图 像 分 割 技 术 的 原 理 及 应 ...
