1、“.....据统计，人类接受外界的信息 中有来自图像。图像分割技术是针对性很强的技术，它在人类生产和生活 的方方面面起到了越来越重要的作用。 图像分割技术的现状和发展情况 图像分割算法的研究已有几十年的历史，直以来都受到人们的高度重视。 关于图像分割的原理和方法国内外已有不少的论文发表，但直以来没有种 分割方法适用于所有图像分割处理。传统的图像分割方法存在着不足，不能满 足人们的要求，为进步的图像分析和理解带来了困难。 图像分割主要研究方法 图像分割是图像处理中的项关键技术，图像分割是把图像分割成若干个 特定的具有独特性质的区域并提取出感兴趣目标的技术和过程，这些特性可 以是像素的灰度颜色纹理等提取的目标可以是对应的单个区域，也可以是 对应的多个区域。图像分割方法有许多种分类方式，在这里将分割方法概括为 四类边缘检测方法区域生长方法阈值分割方法及结合特定理论工 具的分割方法......”。

2、“.....由聚类所生成的簇是组数据对象的集合，这些对象与同个簇中的对象 彼此相似，与其他簇中的对象相异。聚类分析又称群分析，它是研究样品或 指标分类问题的种统计分析方法。聚类分析计算方法主要有如下几种 划分方法，层次方法，基于密度的方法，基于网格的方法，基于模型的方法。 均值聚类算法是著名的划分聚类分割方法。划分方法的基本思想是给 定个有个元组或者纪录的数据集，分裂法将构造个分组，每个分 组就代表个聚类。而且这个分组满足下列条件每个分 组至少包含个数据纪录每个数据纪录属于且仅属于个分组对 于给定的，算法首先给出个初始的分组方法，以后通过反复迭代的方法 改变分组，使得每次改进之后的分组方案都较前次好，而所谓好的标准 就是同分组中的记录越近越好，而不同分组中的纪录越远越好。 均值聚类算法 算法是领域内比较常用的算法之。 先随机选取个对象作为初始的聚类中心......”。

3、“.....把每个对象分配给距离它最近的聚类中心。聚类中心以 及分配给它们的对象就代表个聚类。旦全部对象都被分配了，每个聚类的 聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足 个终止条件。终止条件可以是以下任何个 没有或最小数目对象被重新分配给不同的聚类。 没有或最小数目聚类中心再发生变化。 误差平方和局部最小。 将样本集划分成个类，这种划分使得下式最小  是第个类的质心，如果想要设计个算法求得全局最优解，就必须完 成,次聚类，找出其中使得最小的聚类结果。而均值聚类则是个求 得局部最优解的算法。 采用欧氏距离进行距离测量，在维空间中欧氏距离的公式是   均值聚类算法描述 从个样本中选择个质心 将数据集当中每个分配到与之相距最近的质心代表的聚类中 分配后，质心会发生变化......”。

4、“.....在均值算法中，常规的 优化算法主要针对聚类数和聚类中心的选取，即通过些检测聚类有效性的 函数计算最佳聚类数，并在此基础上优化分割效果。近年的些研究 表明，融合多种图像特征更有利于获得较好的分割效果，文献的研究表明， 在对自然彩色图像进行分割时，考虑了像素的空间特征，算法有更好的鲁棒性。 图像特征提取 颜色特征的提取 颜色特征是在图像分割中应用最为广泛的视觉特征，在本文的彩色图像分割 算法中，我们采用了色彩模型。在模式下，图像的亮度信息和色彩信 息被分开保存，调整颜色通道时亮度通道将保持不变。这样通道可以看作是 影像的灰度版，其中保存了图像的细节信息，因此利用通道可容中保存了图像的细节信息，因此利用通道可容易区分自 然图像中的明暗细节。此外模型具有宽阔的色域，不仅包含了的所有 色域......”。

5、“..... 纹理特征的提取 纹理通常指在图像中反复出现的局部模式和它们的排列规则，具有不依赖 于颜色或照度并可以反映图像中同质现象的特点，本文基于图像的灰度共生矩 阵提取图像的纹理特征。根据共生矩阵，可以计算熵对比度能量相关 方差等种用于提取图像中纹理信息的特征统计量。本文选择了对比度能量 相关性同质性描述图像的纹理特征。特征提取步骤如下 将彩色图像降为低阶灰度图像，灰度级取为。 设置半径为大小为的窗口矩阵，通过遍历图像的方式计 算出窗口内灰度共生矩阵，并将其映射到窗口中心所代表的像素上。 基于灰度共生矩阵，利用式式计算对比度能量相关性和 同质性四个纹理特征，并将值返还至对应的像素中心。 ,    ,  ,       ......”。

6、“.....图像呈现较粗的纹理，能量的取值相应较大相关度是灰度线形关 系的度量，反映种灰度值沿方向的延伸长度同质性是图像局部灰 度均匀性的度量，如果图像局部的灰度均匀，同质性的取值就较大。此外，针 对在图像边缘无法获取完整的窗口信息而得不到纹理特征值的问题，考虑到特 征值同参与计算的像素之间的联系，本文采取了区域均值的算法，以半径 的窗口矩阵为例，边缘像素的值近似的表示为与其相关的所有纹理特征值之平 均值。即 ,   其中，为的空间坐标。 均值聚类图像分割算法的研究与改进 均值聚类算法的基本思想随机选取个点作为初始聚类中心，计算各 个样本到聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类，对 调整后的新类计算新的聚类中心。如果相邻两次的聚类中心没有任何变化，说 明样本调整结束，聚类准则函数已经收敛。 均值聚类算法中重要的步是初始聚类中心的选取，般是随机选取待 聚类样本集的个样本......”。

7、“.....聚类的结果 与样本的位置有极大的相关性。旦这个样本选取不合理，将会增加运算的 复杂程度，误导聚类过程，得到不合理的聚类结果。通过粗糙集理论提供 均值聚类所需要的初始类的个数和均值，提高了聚类的效率和分类的精度。 像素的灰度值为,，其中为第次迭代后赋给类的像 素集合,为第类的均值。 具体步骤如下 将粗糙集理论提供的个中心点作为初始类均值,,,。 在第次迭代时，考察每个像素，计算它与每个灰度级的均值之间的间 距，即它与聚类中心的距离，将每个像素赋均值距其最近的类，即 , 则。 对于,计算新的聚类中心，更新类均值    ，式 中，是中的像素个数。 ④将所有像素逐个考察，如果，有，则算法收敛， 结束否则返回继续下次迭代。 以上聚类过程结束后，为了增强显示效果，分割结果各像素以聚类中心 灰度值作为该类最终灰度......”。

8、“.....基于粗糙集理论和均值聚类算法的图像分割方法，比随机选 取聚类的中心点和个数减少了运算量，提高了分类精度和准确性，而且对于低 对比度多层次变化背景的图像的形状特征提取具有轮廓清晰算法运行速度 快内存占用小等特点，是种有效的灰度图像分割算法。 总结与展望 工作总结 本论文对传统的图像分割技术进行了简要的介绍，并将改进的均值理论 应用在图像分割中，发现均值理论在图像分割中具有很高的应用价值。 工作展望 目前对图像分割算法的评价主要还是以主观评价为主，尽管主观评价存在 很多缺点，但是，由于图像的复杂性以及图像分割理论的不完善，人们还难以 完全用客观评价的方法对图像分割算法进行评价，因此，在今后若干年,对图 像分割算法的主观评价仍将占主导地位。 现在,图像分割的算法大多是把多种理论结合起来应用......”。

9、“.....新的分割方法的研究主要以自动精确快速自适应性和鲁棒性等 几个方向作为研究目标。相信随着各种理论的不断发展完善和成熟，以及新 理论在图像分割领域的尝试应用，图像分割的方法也会更多，更成熟。 参考文献 何斌等数字图像处理第二版北京人民邮电出版社， 章毓晋图像分割北京科学出版社， 蔡升华，李方柱裂隙岩体渗流破坏规律研究电力勘测， 陈繁昌图像处理与分析北京科学出版社 ， 杨善林，李永森，胡笑旋，等算法中值优化问题研究系 统工程理论与实践 于剑，程乾生模糊聚类方法中的最佳聚类数的搜索范围中国科学辑， ， 王植，贺赛先种基于理论的自适应边缘检测方法中国图像图形 学报 王卫星，段娇基于数字图像处理技术的岩石节理宽度测量微型机与应 用 邵锐，巫兆聪......”。