K-means阈值分割算法的研究与应用

"这篇硕士学位论文主要探讨了基于阈值的图像分割算法，由北京交通大学的刘东菊撰写，导师为于剑，专业方向为计算机科学与技术。论文重点研究了阈值分割在图像处理和计算机视觉中的应用，特别是最大类间方差法和K-means算法在图像阈值分割中的表现和改进。 图像分割是图像理解和分析的关键步骤，影响着目标检测、特征提取和识别等任务的准确性。阈值分割作为一种简单有效的技术，常用于文本处理、质量检测、医学图像、交通监控和军事等领域。最大类间方差法是常见的阈值分割方法，但K-means算法在多阈值分割中展现出等效的目标函数，尽管它是局部最优，而最大类间方差法是全局最优。论文提出了一种基于K-means思想的新阈值分割算法，该算法在分类误差率和一致性上都有良好表现，并且在多阈值分割中提高了处理效率。 为了提升分割效果，论文进一步将K-means算法扩展到了一维和二维空间，结合像素的灰度值和邻域信息，尤其是对于含有高斯噪声和椒盐噪声的图像，分割效果更佳，增强了抗干扰性。然而，在大量噪声环境下，二维阈值分割仍不足，于是引入了三维阈值分割，结合像素的邻域中值信息，增强了抗噪声能力。 此外，论文还讨论了基于L1距离的K-means算法相对于基于L2距离的K-means算法在抵抗高值噪声方面的优势，提出了一种新的基于L1距离的K-means阈值分割算法，显著提高了图像分割的效果。 关键词涵盖了K-means阈值分割法、最大类间方差法、多阈值分割、一维和二维以及三维阈值分割技术，以及算法的鲁棒性。分类号为TP391.41，表明这属于计算机科学技术领域中的图像处理技术。"