论文总字数：15936字

摘 要

随着多媒体以及网络在世界范围内的日益流行，人们每天接触的信息量越来越大。图像作为信息的一种载体，是人们接受信息的重要媒介。图像处理技术越来越受到人们的重视，而图像分割作为图像处理的重要组成部分，他直接关系到整个技术的结果和工作量^[1]。图像分割最直接的目的就是提取出图像中的某些部分，以便于进一步操作。目前，许多的图像分割方法都取得了一定的成果，但还是面临很多没有解决的问题，所以图像分割仍然有很大的研究价值。本文通过使用LBP算子提取图像纹理特征，并基于K-Means算法对其进行了分类，最后使用Sobel算子检测图像边缘，得到最终的分割结果。

关键字：图像分割 纹理 K均值 LBP特征

Texture image segmentation based on K-Means

Abstract

With the increasing popularity of multimedia and Internet in the word , People's daily contact with the amount of information is getting bigger and bigger. Image, as a carrier of information, is an important medium for people to receive information. Image as an intuitive carrier of information is an important part of network and multimedia . Image processing technology has been more and more attention, and image segmentation as an important part of image processing, he directly related to the results of the entire technology and workload. Image segmentation is the most direct purpose is to extract some parts of the image, in order to facilitate further operation. At present, many image segmentation methods have achieved some results, but still face a lot of problems that are not solved, so image segmentation is still a great research value. In this paper, we use the LBP operator to extract the texture features of the image, and classify them based on the K-Means algorithm, and finally use the Sobel operator to detect the edge of the image to get the final segmentation results.

Key words: Image segmentation; Texture; K-Means; LBP feature

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 课题研究背景 1

1.2 图像分割技术发展概况 1

1.3 图像分割方法现状及应用 3

1.4 本文的工作 4

第二章 图像纹理特征的提取 6

2.1 概述 6

2.2 纹理特征的提取 6

2.2.1 LBP特征描述 6

2.2.2 LBP用于检测的原理 10

2.2.3 对LBP特征进行提取的步骤 11

2.3 程序实现代码及结果 11

第三章 K-Means算法 14

3.1 聚类 14

3.2 K均值聚类分割算法 14

3.2.1 K均值算法 14

3.2.2 K-Means算法的工作原理 15

3.2.3 K-Means算法的步骤 15

3.2.4 K-Means聚类算法存在的问题 16

3.3 程序流程图及实现代码 17

3.3.1 程序流程图 17

3.3.2 实现代码 18

第四章 基于Sobel算子的边缘检测 19

4.1 基于边缘检测的图像分割算法 19

4.2 Sobel算子 19

4.3 程序实现代码及结果 21

4.3.1 实现代码 21

4.3.2 结果分析 22

第五章 文本结论 24

5.1 开发工具简介 24

5.2 实验结果分析 24

5.3 存在的问题以及对未来的展望 29

参考文献 31

致谢 33

第一章 绪论

1.1 课题研究背景

20世纪50年代，随着电子计算机开始发展到一定的水平，人们越来越流行使用计算机来处理图片以图片信息。最初人们对图像进行处理的目的是改良图像的质量，给用户带来更好的视觉体验。但随着图像处理在宇宙探索、医学诊断上取得了重大的成果，人们开始将图像处理技术运用在不同的领域，并获得了巨大的成就^[2]。

图像分割作为图像处理过程中的一项关键的步骤，它通常被开发人员作为分析、识别图像之前的预处理环节，图像分割结果会直接影响后续的图像处理结果的好坏。一直以来，图像分割问题都被研究人员作为图像处理的难点，至今也没有研究出一种通用的分割方法，也没有出现一个判断分割方法好坏的标准。几十年来，已出现了成百上千种的图像分割方法，但是每一种分割方法都是为了解决一种或者一类特定的问题^[3]。如路口的电子警察、企业门口的指纹识别以及车牌号识别等等。

图像分割指的是将图像分为一些具有相同属性但相互之间并不重叠的区域。因为至今没有一个评判分割结果是否好坏的标准，研究人员一般通过判断分割出来的区域相对于某种属性（如纹理）而言是否相似，各个区域内部是否平整^[4]；相邻区域对是否有明显的差异；区域的边界是否明确、规则来评价分割的好坏。图像分割技术发展至今，依然面临很多问题，学者也一直致力于研究出一种更加方便、简单、通用的分割方法。

本文首先简单介绍了一些经典的分割方法，本课题基于K均值算法对图像进行分割，详细的阐述了算法的基本原理、步骤以及存在的问题。首先使用LBP算子提取图像的纹理特征，其次对纹理图像进行聚类，然后使用基于Sobel算子的边缘检测，得到最终的分割结果，并将其运用在实验中。

1.2 图像分割技术发展概况

在图像的研究中，人们往往需要的往往只是图像的部分区域，这部分区域包括特定的图像信息。我们称图像的这些部分为对象，它们一般具有某些特定的属性。图像处理技术最主要的目的就是通过分析处理图像中的这些对象得到所需的信息。图像处理的侧重点在于优化图像的视觉效果；而图像分析的侧重点在于检测图像中的对象，得到它们所包含的那些客观信息。

我们称图像中那些可以作为标志的属性为特征。我们把图像特征分为统计特征和视觉特征，两者的区别在于统计特征通常包含某些人为的因素，需要通过一些特殊处理方法才能得到，比如图像的直方图。而视觉特征是物体的固有属性，并且可以直观的感受到，比如图像的灰度、纹理以及轮廓等等。我们把图像分裂成具有不同属性区域的方法称为图像的分割^[5]。

请支付后下载全文，论文总字数：15936字