1. 研究目的与意义（文献综述）

1.1 课题的研究背景及意义

当今世界已经步入了人工智能（ai）时代。在智能时代的大背景下，机器学习深度学习与计算机视觉成为了如今的热点。而与其相关的便是数字图像处理技术(dip)，图像分割是实现自动图像分析和模式识别的首要问题，它根据图像的某些特征或特征集合的相似性准则，对图像像素进行分组聚类，将图像划分为一系列“有意义”的不同区域。图像分割质量的优劣、区域界限定位的精度直接影响后续的区域描述及图像的分析和理解，是图象分析、处理、理解中一个举足轻重的技术环节。本次设计的目标正是将em算法应用到图像处理技术中完成图像分割。

em(expectation-maximization) 算法又称期望最大化算法，是 dempster，laind，rubin 于 1977 年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行 mle（极大似然估计） 估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据，截尾数据，带有讨厌数据等所谓的不完全数据(incomplete data)。em算法是在缺失数据等不完全数据下进行参数的极大似然估计或者极大后验估计一种行之有效的方法。

2. 研究的基本内容与方案

在本次设计中主要用matlab或python编写程序实现基于em算法的图像分割。在程序设计方案中，主要考虑利用高斯混合模型对原始图像进行建模，将图像中的每个像素视为由一种密度函数计算所得到的，之后计算该密度函数的数学期望(e步)，接着计算该模型的最大似然估计(m步)，在进行完一次e、m步骤后，继续对像素进行分析重新建立模型再进行求期望与极大似然估计操作，将e、m步骤循环下去，直到期望收敛。

在程序第一步是用软件读取图像。从上所述em算法计算量巨大，而且一般图像为rgb彩色图像并且像素远大于8位，以常见的128*128像素图像举例，在处理时会有16384个像素，而8*8图像只需要处理64个像素，相差1024倍。因此在进行操作之前首先需要将图像转化为8位灰度图像从而简化运算。第二步是对图像进行去噪处理以保证在接下来的纹理提取过程中不受噪声的干扰，在程序中可以考虑使用均值滤波进行图像的去噪操作，去噪之后的图像直方图应该变得平滑。第三步是图像的纹理提取，提取完成后就可以直接进行算法操作。在第四步em算法实现的过程中，计算量特别大，因此在这个步骤中需要充分考虑后再编写函数，这样能减少计算的冗余量。

在python中对图像处理存在pil库能够直接调用，在matlab中也有与图像处理相关的库，在编写程序时只需要考虑em算法的函数实现以及循环等。

3. 研究计划与安排

第1-2周：查找资料，了解设计任务；

第3周：根据毕业设计内容查找相关资料；

第4周：完成开题报告；

4. 参考文献（12篇以上）

[1]刘艳琪,胡亨伍. 基于em算法的混合模型医学图像分割[j]. 计算机工程, 2012, 38(2):231-233.

[2]程小梅,耿国华,周明全等. 基于多特征的em算法在昆虫图像分割中的应用[j]. 计算机应用与软件, 2009, 26(2):20-22.

[3]于林森,张田文. 用于图像分割的滤波em算法[j]. 计算机学报, 2006, 29(6):928-935.