开题报告内容
一． 选题背景与意义：
图像分割是图像处理和计算机视觉的基础问题之一[1]，以像素的灰度值、反射特征、颜色、纹理和轮廓等特征为基础，将图像分割成若干互不重叠的区域集合，并得到特征区域。21世纪以来主流的图像分割方法主要有：基于图论的分割的算法、基于聚类的算法、基于分类的算法以及结合聚类和分类的算法[2]。
基于聚类的算法由于其优秀的表现，一直以来备受关注。其中，模糊C均值聚类（Fuzzy C-means FCM）算法是一种软聚类算法。FCM算法主要针对不确定的、模糊的图像进行分割，在聚类过程中通过计算数据样本对于所有类的隶属度，实现自动分割，不需要进行人工干预。该方法是目前聚类图像分割技术中使用最广泛的分割算法，与传统的硬聚类算法（如k均值算法）相比能更好的保留原始图像信息[3,4]。因此，基于FCM算法的图像分割方法得到了广泛应用。
二．拟解决的问题
1965年Zadeh提出了模糊集合概念[5]得到研究者的广泛关注，紧接着Ruspini提出了基于数据集的模糊集合[6]，Dunn将硬聚类应用于模糊聚类中[7],直到1973年FCM算法[8] 作为硬均值（HCM）算法的一种改进算法而被Bezdek正式提出。传统的FCM算法在进行运算前需要先设定聚类中心以及聚类的类别数，对图像的像素点进行隶属度进行计算后，自行进行聚类分割。聚类初始中心的选取会直接影响分割的效果，不恰当的聚类中心可能会造成局部最优，导致整体分割不准确。另外，FCM算法在分割过程中只考虑像素间的灰度信息而没有考虑空间信息，因此，往往会造成分割不连续的现象，影响分割的准确率。本课题拟对FCM算法研究后，针对算法分割中的缺点，如初始聚类中心的确定、空间信息未考虑等问题进行改进，提高FCM算法分割图像的效果，使其能更好地应用在图像分割领域。
三．研究方法及研究步骤
1. 文献查阅
通过阅读大量的国内外文献，掌握图像分割算法发展历程与设计原理，其中重点搜集和分析研究各种基于FCM算法及其FCM改进算法进行图像分割有关的文献资料。
2. 实验验证FCM算法的缺点
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
