1.1研究背景及意义

随着信息化革命浪潮的兴起，数字化处理设备日益增加，在交通、海洋水文、气象等方面采集到的大量图像数据蕴含着大量的信息。在这些图像中，往往只有某些部分或区域有实际用途。图像分割技术可以将我们需要辨识和分析的这些部分从图像中提取出来，在此基础上进行图像分析。这一技术可广泛使用在位移估计、目标追踪、计算机视觉、模式识别、图像编码、军事图像、大气图像、生物医学图像分析等领域，提高效率和准确度。例如，在交通领域，通过图像分割技术可识别出车辆、牌照，在公安部门的案件调查中，可用于追踪车辆位置；在无人驾驶方面，可用于避障。

1.2国内外研究现状

图像分割领域研究几十年前就出现了，发展到已经提出了几千种算法。这些算法大体上可分为阈值化分割算法、基于边缘检测的分割算法、基于区域的算法和基于聚类的分割算法四类。1979年Coleman和Anderews最先提出使用聚类算法进行图像分割，后来Pwitt提出了图像分割时采用模糊处理的方法，此后人们又提出了一系列新技术、新的研究方向、新算法。在实际应用中，聚类算法使用较多，主要有基于FCM和DBSCAN的图像分割算法。DBSCAN算法在图像分割方面具有的优点是：算法本身可以自己决定聚类数量；可以发现任意形状的类簇，识别任意形状的图像；可以过滤低密度的区域，同时可以过滤噪声点，识别带噪声的图像。但是，DBSCAN算法在图像分割方面还存在以下问题：与用户输入的邻域半径及密度域值密切相关，可能由于用户对数据特点不了解而输入不合适的参数得出不准确的结论；对于不满足密度分布的样本点，该算法的聚类结果并不理想。

算法效率是聚类分析中亟需解决的关键，也是图像分割中聚类应用发展的瓶颈。到目前为止，已经有很多人在此领域做了研究。Benezit等人在Ncut算法中实现了多尺度并行求解，提高了大规模图像分割的效率；Yuqiang等将图像分割算法分为多层实现，极大地缩短了处理时间。尽管基于聚类的图像分割算法在理论和实践中取得了很大的进步，但是如何根据实际图像选择合理的聚类分析技术实现准确快速的图像分割研究中的一个难题。

2. 研究的基本内容与方案

2.1基本内容