1. 研究目的与意义
数字图像处理指的是通过计算机对图像信号加以处理，并把图像信号逐渐变为数字信号的一个过程。二十世纪中期，研究人员对计算机有了一定的研究成果，人们开始通过计算机技术对图像信息与图形进行简单的处理。也就是这个时候，数字图像处理出现了，图像分割也随之成为其一门子科学而存在。在数字图像处理中，图像分割可以看作是一门重要的预处理过程。图像分割是要把图像中认为有独特性质的部分如图像的区域、边缘等给划分分离出来。之后，图像会在其基础上进行下一步的分析、识别与理解。目前已提出的比较经典的算法包括：基于阈值的分割法、基于边缘检测方法、基于区域增长法、基于知识形态学的分割法、基于遗传的分割法、基于信息论的图像分割法、基于神经网络分割法等。图像分割一直是需要探索的难点，以至于到现在为止，仍然不存在一种能够适合各种图像的通用方式，且尚未设定一个去判断图像分割结果完美与否的通用标准。
图像分割技术是最基本的模式识别技术与机器视觉技术，并且图像会在其基础上进行下一步的图像分析、识别与理解。此外，图像分割技术具有很大的理论意义。因为图像最终分割结果的好坏会对系统的各个模块性能造成最明显的影响。会受到影响的性能包括：参数描述是否可靠、模式识别是否准确，特征提取是否有效。近年来，工程技术人员和学术研究者对分割技术表现了高度的关注。通过几十年的不断努力，人们提出的分割方式已有几百至上千。但仍然不存在一种能够适合各种图像的通用方式。尤其是在彩色图像分割方面，连一个有序的、完整的体系都没有建立。新方法、新理论、新研发工具的持续引入促进了分割方法的持续发展。
随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。如聚类分析，模糊集理论，基因编码，小波变换等。其中聚类分析的方法一直是人们关注的重点。其实质是将数据划分为一个个群组的过程，其目标在于使类内数据的相似性可以相对很大。系统会根据每个数据的相似程度来实行归类，把相似程度很大且拥有共同特征的划分成一类。常用到的聚类方法包括：som算法、k-means算法、c-均值算法等。k-means算法是聚类分析中比较常用的一种，k-means算法属于基于距离的聚类算法，也是实时聚类的却非监督的。在使误差函数最小的情况下，把图像数据划分类成设定的聚类数目k。该算法在数据研究领域的应用比较普遍，因为其具有简单高效、便于处理的优点。但是其最大的不足就是在图像分割之前一定要先人为设定聚类数目，且要求判定初始聚类中心。所以该算法在图像分割中进行应用时，加入了人为干预，不可以实现全自动图像分割。
2. 研究内容和预期目标
一.研究内容
现有的图像自动分割技术还存在着许多不足之处。例如，图像数据在高斯混合建模中容易出现过拟合现象，从而影响最终的分割结果。过拟合是一种把自己的假设变成太过复杂的现象。为了得到更好的分割效果图，使分割方法更加完善，本文的研究重点就是如何消除过拟合现象。
过拟合现象的出现是由许多原因引起的。
3. 研究的方法与步骤
原有的高斯混合模型在对图像数据进行分析处理时，容易产生过拟合现象，它把自己的假设变成太过复杂的现象。为了有效的消除过拟合现象，必须减小这种复杂程度。设计一个合理的合并准则能够有效地对已有的高斯模型分布进行简化。对于那些相邻的，参数又相近的两个高斯分布我们能够进行合并，模型复杂度会大大降低。
一般高斯分布两个最显著的参数就是均值和方差。
（1）先从这两个参数分别入手，设计出能够单方面进行分布合并的准则
4. 参考文献
参考文献:
[1] 王晶. 基于信息论的图像分割算法研究[d]. 成都理工大学, 2008.
[2] 邓洋洋, 冉元波, 韩景红. 基于超像素和信息论的sar图像目标检测研究[j]. 成都信息工程学院学报, 2017, 32(5):479-486.
5. 计划与进度安排
3.05--3.20，熟悉课题背景，查阅资料，完成开题；
3.21--4.20，开展课题工作，完成课题的主要实验工作；
4.21--5.20，撰写毕设论文初稿；
