- 相关推荐
重庆大学本科开题报告范本
毕业设计（论文）开题报告
1、课题的目的及意义（含国内外的研究现状分析或设计方案比较、选型分析等）
1.1课题目的
图像分割是一种重要的图像分析技术。在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分常常被称为目标或前景（其他部分称为背景），它们一般对应图像中特定的、具有独特性质的区域。这里的独特性质可以是像素的灰度值，物体轮廓曲线、颜色、纹理等。为了识别和分析图像中的目标，需要将它们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量和对图像进行利用。图像分割就是指图像分成各具特性的区域并提取出感兴趣目标的技术和过程?1?。
聚类是人类的一项最基本活动，在自然科学和社会科学中，存在着大量的聚类问题。聚类类似于分类，都是把多个元素按照相似程度进行分类，如相似程度大的分成一类，把不相似或者说差别大的分成不同类。但聚类和分类不同，分类预先就制定好标准，而聚类没有预先制定好的标准。以不同的标准进行分类，会得到不同的结果，因此，聚类也就有多种方式。研究聚类问题，有很大的意义，它是研究其他问题的起点。数据通过聚类以后，进行其他的数据处理，如数据汇总等，就可以提取出数据特征，为制定各种方案和决策提供理论上的依据。
图像分割将一幅图像划分成若干个具有某种均匀一致性的区域，从而将人们感兴趣的区域从复杂的场景中提取出来。图像的分割问题可看作是对像素进行聚类的问题。
基于聚类分析得图像分割方法是图像分割领域中一类极其重要和应用相当广泛的算法，无论是灰度图像分割、彩色图像分割还是纹理图像分割或者其他类型的图像分割，都可以应用聚类分析方法完成分割。由于图像的分割问题可看作是对像素进行聚类的问题，因此聚类算法应用于图像分割问题中，同样可以把人们感兴趣的部分分割出来，而聚类算法简单、收敛速快等特点，使得人们可以快速提取彩色图像信息，以便对图像做进一步的处理。
1.2国内外发展现状
图像分割的方法已有上千种，每年还有许多新方法出现，典型而传统的分割方法可以分为基于阈值的方法、基于边缘的方法和基于区域分割方法等。彩色图像分割是图像处理中的一个主要问题，也是计算机视觉领域低层次视觉中的主要问题。多年来，彩色图像分割技术一直在工业自动化控制、遥感遥测、微生物工程以及合成孔径雷达成像等多种工程应用领域得到相当广泛的应用。总的来说，彩色图像分割的方法可以分为基于像元、区域、边缘的分割三大类，前两类利用的是相似性，基于边缘的分割则是利用的是不连续性。
目前聚类分析在许多实际问题上都有应用，应用的领域涉及商务、生物学、信息检索、气候、心理学和医学等等?2?。聚类算法不需要训练样本，因此，聚类是一种无监督的统计方法。因为没有训练样本值，聚类算法迭代的执行对图像分类和提取各类的特征值。聚类分析虽然不需要训练集，但是需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。另一方面，聚类也没有考虑空间关联信息，因此也对噪声和灰度不均匀敏感。
聚类分析算法在图像分割中应用得较为广泛，其中尤以K-means算法应用较多。但是，基于k-means聚类算法在图像分割中的缺点，目前有很多改进的算法，主要改进目标有几个方面：(1)初始值的选择以及输入顺序对聚类结果影响；(2)算法的效率问题；(3)小波变换聚类算法的研究。主要的改进方向有以下几个方面：（1）图像数据信息的预处理；（2）初始聚类中心的选择；（3）聚类个数K的确定；（4）相似度和聚类目标函数的选择。
国内的研究如：华东交通大学的周新建和涂宏斌从效率方面考虑，选用Tanimoto系数作为类别判定准则，即Tanimoto测度对算法进行改进，使缺陷图片的边缘更加清晰，分割结果既突出了目标，又保留了细节，获得较好的分割效果?3?；郑州大学李翠和冯冬青从初始聚类中心和相似度方面考虑，利用数理统计的方法获取优化的初始聚类中心，同时引入加权的欧式距离作为衡量相似度的标准，也获得了很好的分割效果?4?；清华大学的田金兰，朱林，张素琴和刘璐同时从初始的聚类中心的选择和距离目标函数的计算入手，提出聚类中心预处理和距离并行计算的方式这两个方面提高k-means算法的效率?5?等等。
国外也有很多基于改进的k-means算法的图像分割研究，如：Aristidis Likasa等针对传统的k-means有可能出现局部最优的情况,提出了从一个合适的位置开始，通过每执行一次增加一个聚类中心的方式达到全局最优方法?6?；Adil M. Bagirov也提出了通过使辅助的聚类函数极小后获得第k个聚类中心的另一种全局最优的聚类算
2、课题任务、重点研究内容、实现途径
2.1课题的主要任务
（1）查询、翻译相关的资料，学习图像处理和聚类算法，熟悉课题涉及的内容，初步了解课题的主要任务，同时学习MATLAB的编程知识，掌握与图像处理和k-means相关的编程技巧；
（2）熟悉图像处理的常用方法，掌握传统的k-means算法，分析其优缺点，并对其进行改进；
（3）用MATLAB编程实现上述的.改进算法，并利用图片库中的图片进行实验仿真。
2.2课题重点研究的内容
本次课题重点研究的内容针对传统的k-means算法在彩色图像分割中的缺点进行改进。传统的k-means算法简单，收敛的速度快，但是一方面算法本身对初始值的选择，孤立点等方面并不是很好，且可能获得局部最优，而不是全局最优；另一方面它往往只针对灰度图像，对于彩色图像的分割效果也不是很好。所以，本课题就其缺点做进一步的改进。
2.3课题的实现途径
通过查阅文献，仔细思考，初步确定了课题的实现途径：
首先弄清楚传统的k-means算法的原理及其在彩色图像分割中如何应用，并了
10?解MATLAB的编程环境及传统的k-means如何在MATLAB中如何实现?8，；然后
通过原图和用传统的k-means算法进行彩色图像分割得到的分割图像作比较，了解传统的k-means算法的不足；其次通过仔细研究，确定对k-means算法的改进方向和改进方案并编写程序；最后通过对比，获得最终的结论?9?。
在MATLAB中实现过程如下：
Step1：输入彩色图像，并显示出来；
Step2：采集图像的亮度和色彩信息；
Step3：用改进的k-means 算法对图像信息进行聚类；
Step4：按聚类对图像进行分割，把分割后的图像显示出来；
Step5：通过比较验证改进后的算法效果；
Step6：得出结论。
参考文献
[1]张德丰等.MATLAB数字图像处理 第2版[M].北京：机械工业出版社，2012.1
[2]元昌安等.数据挖掘原理与spss clementine应用宝典[M].北京：电子工业出版社，2009.8
[3]周新建，涂宏斌.基于改进的K-means聚类图像分割算法[D].南昌：CAD／CAM 研究室，2007
[4]李翠, 冯冬青.基于改进K均值聚类的图像分割算法研究[D].郑州：郑州大学电气工程学院，2011.3
[5]TIAN Jinlan，ZHU Lin，ZHANG Suqin，LIU Lu.Improvement and Parallelism of k-Means Clustering Algorithm[D].Beijing:Department of Computer Science and Technology, Tsinghua University,2005.6
[6]Aristidis Likas, Nikos Vlassis, JakobJ. Verbeek.The global k-means clustering algorithm[J].Greece:Department of Computer Science, University of Ioannina,2003.3
[7]AdilM.Bagirov.Modified global k-means algorithm for minimum sum-of-squares clustering problems[J].Victoria:Centre for Informatics and Applied Optimization, School of Information Technology and Mathematical Sciences, University of Ballarat.2008
[8](美)冈萨雷斯（Rafael C.Gonzalez）等著,阮秋琦等译. 数字图像处理（Matlab版）[M]. 北京:电子工业出版社, 2005.
[9]Gonzalez C Rafael, Woods E Richard. 数字图像处理(第二版) [M],北京:电子工业出版社, 2003: 463～474.
[10]Tou J T, Gonzalez R C. Pattern recognition principle [M]. Addison Wesley, Reading, 1974.
3、进度计划
学生签名：
年 月 日
4、指导教师意见
指导教师签名：
年 月 日