[发明专利]一种基于数据挖掘的图像特征分割方法

说明书

本发明公开了一种基于数据挖掘的图像特征分割方法，该方法包括采集待分割的初始图像，对初始图像进行图像去噪预处理，采用数据挖掘技术对预处理后的图像进行颜色特征分析，采用数据挖掘技术对预处理后的图像进行纹理特征分析，建立区域分割模型进行聚类分割，得到图像特征分割结果。本发明采用数据挖掘技术对预处理后的图像进行颜色特征和纹理特征图像分割，能够快速正确地实现图像特征分割，且不需要事先认定分割类数，从而得到期望的分割结果。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于数据挖掘的图像特征分割方法。

背景技术

图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自动处理分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以及阴影等，常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法，但是这又增加了解决问题的复杂性。

图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，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。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来了许多实际问题。最近几年又出现了了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。

1、阈值法是一种简单但是非常有效的方法，只能产生二值图像来分区两个不同的类。对噪声很敏感，没有考虑图像的纹理信息等有用信息，分割结果有时不能尽如人意。

2、边缘检测法是基于图像不连续性的分割技术。有一些较为经典的算法。克服了传统图像信息定义的缺陷，具有较好的抗噪声和检测结果。但是运算量较大。不能很好的解决耗时问题。

3、区域提取法利用图像的局部空间信息，有效克服其它方法存在的图像分割空间不连续的缺点，但它通常造成图像的过度分割。

发明内容

针对现有技术中存在的以上问题，本发明提供了一种基于数据挖掘的图像特征分割方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于数据挖掘的图像特征分割方法，包括以下步骤：

S1、采集待分割的初始图像；

S2、采用改进的K-means聚类算法对初始图像进行图像去噪预处理；

S3、采用数据挖掘技术对预处理后的图像进行颜色特征分析，得到区域约束；

S4、采用数据挖掘技术对预处理后的图像进行纹理特征分析，得到提取目标轮廓的基准面；

S5、建立区域分割模型进行聚类分割，得到图像特征分割结果。

进一步地，所述步骤S2具体为：

采用K-means聚类算法对初始图像进行滤波处理，并依次采用柔化处理、中值滤波处理和锐化处理进行图像去噪预处理。

进一步地，所述步骤S3具体包括以下分步骤：

S31、提取图像的局部特征

定义B(x,y)为背景图像，F(x,y)为加入目标后的场景图像，D(x,y)为差分图像，I(x,y)为二值化图像，将预处理后的图像进行RGB三通道分离，对各通道分别进行背景差分，对每个像素选取各通道差值的最大值，进行阈值二值化处理，表示为