Mean Shift聚类驱动的多级阈值图像分割方法

这篇研究论文是关于“基于Mean Shift 聚类的多级阈值化方法”，发表在2017年《郑州大学学报(工学版)》第38卷第6期，由程全、刘晓青、刘玉春、王志良合作完成。文章探讨了如何利用Mean Shift聚类技术解决多级阈值化中阈值数量不确定的问题，提出了一种新的多级阈值化方法。 正文： 图像分割是图像分析和理解的关键步骤，其中多级阈值化是一种广泛应用的技术。传统的多级阈值化方法常常需要预先设定阈值数量，这在实际应用中可能存在困难，因为合适的阈值数量往往难以预知。为此，本文提出了基于Mean Shift聚类的新型多级阈值化方法，旨在自动确定最佳的阈值数量。 Mean Shift是一种无监督的学习算法，主要用于寻找数据分布的局部峰值，即模式中心。在图像处理中，它可以用来识别图像中的不同区域或对象。在该研究中，研究人员首先运用Mean Shift算法找出图像中的潜在模式中心，这些中心反映了图像内部的不同灰度层次。接着，通过迭代阈值选择方法，自动确定相邻模式中心之间的阈值，从而实现多级阈值的划分。 该方法的独特之处在于，它能适应性地确定最佳阈值，无需人工指定群集数量。这解决了K-means聚类中需要预设类别数量的问题，同时也避免了模糊聚类对噪声敏感和模糊关系确定复杂的缺点。通过多级阈值化，图像被有效地分割成多个区域，提高了图像的对比度，增强了分割效果。 实验结果显示，基于Mean Shift聚类技术的图像分割方法相比原始图像，具有更高的对比度，表明其分割精度较高。此外，该方法具有良好的灵活性，只需简单调整程序参数，即可适应不同的分割需求，如单阈值分割、多级阈值分割以及有损压缩等场景。 这篇研究论文提出的基于Mean Shift聚类的多级阈值化方法，提供了一种自动确定阈值且适应性强的图像分割策略，对于图像分析和处理领域具有重要的理论和实践价值。该方法不仅提高了图像分割的效率，还简化了阈值选择的复杂性，有望在未来的图像处理应用中得到广泛应用。