基于快速搜索与密度峰值的图像分割方法研究开题报告

本课题主要研究图像的分割，采用基于快速搜索与密度峰值聚类进行图形分割，并用matlab实现整个分割过程。

经典的聚类算法k-means是通过指定聚类中心，再通过迭代的方式更新聚类中心的方式，由于每个点都被指派到距离最近的聚类中心，所以导致其不能检测非球面类别的数据分布。而基于快速搜索与密度峰值的图像分割方法不仅快速，而且会避免这一问题，即可识别任意形状的图像，并对其进行处理。但是这一方法并没有明确的聚类种类数目，因此，本文将研究一种自动设定聚类方种类数目的方法，弥补这一缺点。

用matlab编写基于快速搜索与密度峰峰值算法来实现。matlab，具有强大的计算功能和丰富的工具箱函数。它提供的图像处理工具箱，包含了许多常用的图像处理函数，支持许多图像处理操作。可方便地调用工具箱中现成的函数，把精力集中在方法的实现上而不是基础操作的编程上，从而能大大提高研究效率。

3. 研究的方法与步骤

方法：将该课题分为两部分，首先，要学习基于快速搜索的聚类方法和基于密度峰峰值的搜索方法的特点。其次，再通过matlab仿真实现课题，设计出基于密度和快速搜索的聚类方法进行图像分割。而分割的核心在于聚类中心的选择，通俗的说就是选择将图像分为几类，例如在一张图中事先设置好积累聚类种类，再计算纹理特征，看是否符合事先设置好的特征值，若不符合，则重新设立一标准。

步骤：

(1)预先设置聚类种类为c

(2)读入一幅待分割的图像，提取待分割的图像的纹理特征；

4. 参考文献

[1] a rodriguez, a laio,clustering by fast search and find of density peaks, science, 2014

[2] t kanungo, dm mount, nsnetanyahu, an efficient k-means clustering algorithm: analysis andimplementation, pami, 2002

[3] j shi, j malik,normalized cuts and image segmentation, pami, 2000

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，研究快速搜索与峰值发现算法，并据此完成图像分割算法的实现；

2022.5.1-2022.5.31，图片测试，算法分析，撰写论文并完成初稿。