主要研究内容与工作安排

本文主要介绍图像分割、聚类分析和基于K均值聚类分析的图像分割算法原理和算法过程，再做基于K均值聚类算法的彩色图像分割实验和医学图像分割实验，验证K均值聚类算法的适用性。

本文的章节结构安排如下：

第一章 绪论主要介绍了本文研究的背景及意义，归纳了图像分割的概念、方法，同时介绍了本论文的主要研究内容与工作安排。

第二章 详细介绍聚类分析的定义、流程、当前的经典算法，再介绍这几种经典算法的原理、实现的方法、优缺点比较等。

第三章 详细介绍基于K均值聚类算法的图像分割，具体阐述K均值聚类算法的思想、具体流程以及优缺点，通过仿真实验来分析。

第四章 做基于K均值聚类算法的彩色图像分割实验和医学图像分割实验，验证K均值聚类算法的适用性。

第五章 总结全文，提出展望。总结全文主要叙述的内容和实验的结果分析，并指出在实验中的不足，对于下一步工作进行展望。

......

由上图可知，图(a)是初始点为10个，聚类数为2产生的图像，两个聚类中心的坐标分别是（2.9497，3.0504）和（5.8369，5.5232）；图(b)是初始点为20个，聚类数为2产生的图像，两个聚类中心的坐标分别是（1.8902，2.0765）和（5.5703，5.5532）；图(c)是初始点为50个，聚类数为2产生的图像，两个聚类中心的坐标分别是（2.7389，2.7380）和（5.6756，5.6720）；图(d)时初始点为100个，聚类数为2产生的图像，两个聚类中心的坐标分别是（2.6065，2.6815）和（5.6982，5.7667)。

通过以上实验可以得出，K均值聚类分析的优点是：1、原理简单，容易实现；2、运行速度快；3、聚类效果不错，清晰明了易解释。

......

实验结果与分析

本文中的程序是将彩色图像从RGB转换到Lab彩色空间。在本实验中，图4.1(a)是原始图像，从原图像可以看到，图像中的水稻分为稻穗、茎秆、叶子，且颜色鲜艳明亮；图4.1(b)是将原始图像经过3次聚类、分割类别为2所得到的新图像，从分割图像中可以清晰看到一类为黑色，另一类为白色，且在图像工具框中，我们可以通过左下角的数据显示看到图像中不同位置点的像素信息和所代表的强度，即黑色代表1，白色代表2，右下角也清晰标出了显示范围[1 2]；同理可得，图4.1(c)是将原始图像经过3次聚类、分割类别为3所得到的新图像，从分割图像中可以清晰看到一类为黑色，一类为灰色，另一类为白色，且在图像工具框中，我们可以通过左下角的数据显示看到图像中不同位置点的像素信息和所代表的强度，即黑色代表1，灰色代表2，白色代表3，右下角也清晰标出了显示范围[1 3]；图4.1(d)是将原始图像经过3次聚类、分割类别为4所得到的新图像，从分割图像中可以清晰看到一类为黑色，一类为深灰色，一类为浅灰色，另一类为白色，且在图像工具框中，我们可以通过左下角的数据显示看到图像中不同位置点的像素信息和所代表的强度，即黑色代表1，深灰代表2，浅灰代表3，白色代表4，右下角也清晰标出了显示范围[1 4]。

从分割效果上来看，图4.1(b)用黑白两色将水稻清晰分割，分割效果较好，图4.1(c)用黑白灰三色分割水稻，效果比图4.1(b)更......