基于直方图聚类的图像分割新方法

"Image segmentation by histogram thresholding - 使用层次聚类分析的图像直方图阈值分割" 这篇论文提出了一种新的图像阈值分割方法，该方法利用图像直方图的聚类组织。作者Agu斯·扎伊纳尔·阿里菲纳和阿基拉·阿萨诺基于类间方差和新合并类的类内方差提出了一种新的相似性度量。这种方法在实际图像上的实验显示了其有效性。 图像分割是计算机视觉和图像处理中的一个基础任务，它旨在将图像划分为多个有意义的区域或对象。阈值分割是一种常用的技术，通过将像素值设置为特定阈值，将图像划分为前景（高像素值）和背景（低像素值）两部分，或者更复杂地，根据像素值将其分为多个类别。 传统的阈值分割方法通常基于全局或局部直方图统计，如Otsu's方法，它寻找最大化类间方差的阈值。然而，这种方法可能不适用于具有复杂光照条件或不同物体亮度变化的图像。论文中提出的新型方法则引入了层次聚类分析，这是一种自底向上的聚类方法，可以逐步合并相似的像素群体，形成更大的类别。 聚类过程中，相似性度量是关键。新提出的度量结合了类间方差（衡量不同类别间的差异）和类内方差（衡量同一类别内的像素值差异）。通过考虑这两个因素，该方法能够在合并像素群体时更好地保持类别间的界限，从而提高分割质量。类间方差大意味着类别之间的差异显著，而类内方差小则表明类别内部的像素值更加一致。 实验部分，作者在各种实际图像上应用了这个新方法，并与传统阈值分割技术进行了对比。结果显示，新方法在保持图像细节、减少噪声干扰和准确区分目标物体方面表现出色，验证了其在图像分割领域的有效性。 关键词：图像阈值分割；聚类；类间方差；类内方差 总结来说，这篇论文介绍了一种创新的图像分割技术，通过利用图像直方图进行层次聚类并结合类间和类内方差的度量，提高了图像分割的精度和适应性，特别适用于处理复杂光照条件下的图像。这种方法对于图像分析、物体识别和图像理解等应用领域具有重要意义。