1. 研究目的与意义
研究背景：在新旧世纪交替的时候，席卷全球的信息时代扑面而来，而图像分析是人类获取信息的重要来源，所以图像的处理就变得尤为重要了。图像分割作为图像处理的一种重要手段，它是指将图像分解为各具特性的区域并提取出感兴趣目标的技术和过程，它是图像理解、识别模式和计算机视觉领域中一个重要而且有十分困难的问题，它是计算机视觉技术首要的关键步骤。简单来讲，图像分割通常是为了进一步对图像进行分析、识别、跟踪、理解、压缩编码等，优质的分割对我们后期的图像识别和理解有着重要的作用。
图像分割在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感以及生物医学图像分析、图像编码、保安监视，乃至于在军事、体育、农业工程等方面已经得到了广泛的运用。在我们的日常生活中，由于图像使用得越来越平凡，人们对于图像的分割也愈来愈引起重视。而本课题中提及的k-means算法是很典型的基于距离的聚类算法，k-means是一种经典的数据聚类方法，由于其计算简便，在科学研究与技术实践中获得了相当的重视。
图像分割本质上就是一个数据聚类问题。传统的k-means图像分割方法，优点有以下三点：解决聚类问题简单、快速；处理大数据集相对可伸缩和高效率；当结果类是密集的，而类与类之间区别明显时，效果较好。但是必须事先给出k（要生成的类的数目），而不便于数据聚类的研究。
2. 研究内容和预期目标
主要研究内容：
1、1、研究k-means聚类算法；
2、2、研究全自动数据聚类和确定类别数k值；
3. 研究的方法与步骤
研究方法：
1、k-means聚类算法；
k-means算法的基本思想是初始随机给定k个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后按平均法重新计算各个簇的质心，从而确定新的簇心。一直迭代，直到簇心的移动距离小于某个给定的值。
4. 参考文献
[1] t kanungo, dm mount, ns netanyahu, an efficient k-means clustering algorithm: analysis and implementation, pami, 2002
[2] j shi, j malik, normalized cuts and image segmentation, pami, 2000
[3] yj zhang, a survey on evaluation methods for image segmentation, pattern recognition, 1996
5. 计划与进度安排
2022.3.1-2022.3.31，查找并阅读相关文献，完成开题工作；
2022.4.1-2022.4.30，研究k-means方法，并完成图像分割算法的实现；
