基于信息熵的自动图像分割方法研究开题报告

1. 研究目的与意义

随着近代计算机技术的快速发展，数字图像处理技术吸引了众多学者的重视而且取得了长足的进步。而图像分割就是对包含有大量信息的图像进行处理的关键步骤。图像分割，顾名思义就是根据需要将图像划分为有意义的若干个特定的、具有独特性质的区域或部分的图像处理技术，是图像分析和模式识别的关键步骤。图像分割是基本的计算机视觉和模式识别技术之一，是图像分析、识别和理解的基础，属于机器视觉的前处理模块，分割效果的优劣直接影响系统其后各模块的性能，比如特征提取的有效性，模式识别的准确性，参数描述的可靠性，因而具有相当高的理论意义。

图像分割技术自20世纪70年代起一直受到理论研究者和工程技术人员的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。目前图像分割的算法主要有阈值分割法、边缘提取法、区域分割法、分水岭分割法等，这些分割算法各有优缺点。近年来，许多研究人员提出用聚类算法来分割图像，并取得了较好的实验结果。但如何初始划分样本以及选择代表点将直接影响分割的效果。在以往的研究中，基于K-means聚类及其改进算法的图像分割技术受到了广泛关注。K-means算法是一种很典型的基于距离的非监督实时聚类算法，在最小化误差函数的基础上将数据划分为预定的类数K。该算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。但它最大的缺点是在进行分割前必须先确定聚类数目和迭代次数或收敛条件，并需确定初始聚类中心，需要人为干预，不能实现全自动图像分割。

本课题将以信息论为基础，从复杂性程度出发，对图像分割的数据类进行统计分析，研究图像分割数目自动判断和确定的方法与技术。实现图像的全自动分割，从而完善现有图像分割方法。

2. 研究内容和预期目标

图像分割算法的提出通常是面向具体问题的，普遍实用性差，因而尽管种类繁多，但没有统一的理论框架，图像与算法之间互有选择性。图像分割本质上是一个数据聚类问题，自动判断分割数目是实现图像自动分割的关键因素。而K-means算法是一种很典型的基于距离的非监督实时聚类算法。

复杂性度量是建立在对系统拓扑特性的刻画和描述基础上反映其行为的复杂程度的度量。如果认为完全无规律的行为是复杂的，就属于第一类度量。而认为既有一定规律性又有不确定性的行为是复杂的，就属于第二类度量。与第一类完全相反的就属于第三类度量。这是一种粗略的复杂性标准分类，前两类标准都拥有数量众多的支持者。早期传统的复杂性度量，包括信息熵、分数维和李亚普诺夫指数都是第一类的。复杂性度量的研究正在许多领域内展开，包括了物理学、生物学、数学与信息科学，以及生物医学工程应用等。从某种程度上说，“复杂性科学”的成败取决于一个公认的度量能否确立。尽管今年来不断有新的度量被提出，其理论研究却正面临瓶颈，主要争议还在于判断复杂性度量好坏的标准。

本课题将以信息论为基础，建立复杂性的度量，自动确定聚类数目，从而实现图像的全自动分割。该方法拟使图像能达到更好的分割效果，使得目标更加清晰，为进一步提高后续图像处理做铺垫。

3. 研究的方法与步骤

图像分割是按照像素的属性进行聚类的过程，自然地将聚类分析用于图像之中。而 k-means算法是一种在图像分割中得到广泛应用的聚类算法。它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，该算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。在大多数文章中，依靠k-means聚类方法对图像进行分割的方法中，k-means聚类的初始中心是靠随机选择的，但这样带来的结果是当初始聚类中心选取不当时，会导致最终聚类结果陷入局部最优值，从而影响后续的图像处理。因此，初始聚类中心位置的选择直接影响到聚类划分结果的好坏。

信息论是运用概率论与数理统计的方法研究信息、信息熵、通信系统、数据传输、密码学、数据压缩等问题的应用数学学科。它主要是研究通讯和控制系统中普遍存在着信息传递的共同规律以及研究最佳解决信息的获限、度量、变换、储存和传递等问题的基础理论。在信息论中，熵表示的是不确定性的度量。熵是混乱和无序的度量。熵值越大，混乱无序的程度越大。熵度量的是消息中所含的信息量，其中去除了由消息的固有结构所决定的部分，信息论中的熵是信息的度量单位。信息熵描述的是信源的不确定性，是信源中所有目标的平均信息量。本课题拟提出基于信息熵的自动图像分割方法，将信息熵的概念引入图像处理中，通过遍历的方法，实现图像的全自动分割。

其基本研究步骤如下：

4. 参考文献

[1] 沃焱, 金璇. 一种基于图的彩色图像分割算法[j]. 华南理工大学学报:自然科学版, 2016, 44(9):1-8.[2] 张莉, 叶志伟, 王明威. 基于差分进化的二维熵图像分割[j]. 应用科学学报, 2016, 34(1):58-66.[3] 徐秋晔, 李玉, 林文杰,等. 基于信息聚类的遥感图像分割[j]. 中国矿业大学学报, 2017(1):209-214.

[4] 王慧, 申石磊. 基于改进的k均值聚类彩色图像分割方法[j]. 电脑知识与技术, 2010, 6(4):962-964.

[5] 王晶. 基于信息论的图像分割算法研究[d]. 成都理工大学, 2008.

[6] 王嘉栋, 李寒松. 自适应k-means图像分割方法[j]. 导航定位与授时, 2016, 3(5).

5. 计划与进度安排

2.20--3.12，熟悉课题背景，查阅资料，完成开题。

3.13--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。

5.21--5.31，修改毕设论文。