1. 研究目的与意义
图像分割的研究最早可以追溯到20世纪60年代，经过近四十年的研究，国内外学者已经提出了各种算法上千种，但目前还没有一种适合于所有图像的通用的分割算法，绝大多数算法都是针对具体问题而提出的。另一方面，给定一个实际应用要选择适用的分割算法仍是一个很麻烦的问题，由于缺少通用的理论指导，常常需要反复的进行实验。在已提出的这些算法中，较为经典的算法有基于边缘检测的方法、阈值分割方法、基于聚类的分割方法、区域生长与分水岭算法。多年来，对图像分割的研究一直是图像技术研究中的热点和焦点，人们对其的关注和投入不断提高。它也是图像处理、模式识别和人工智能等多个领域中的重要课题，也是计算机视觉技术中的关键步骤。
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，对图像分割的数据进行统计分析，研究图像分割数目的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. 研究内容与预期目标
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 算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到的紧凑且独立的簇作为最终目标。
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。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。
本毕业设计将以信息论为基础，建立复杂性度量，自动确定聚类数目，从而实现图像的全自动分割。
3. 研究方法与步骤
图像分割我们可以把它看做一个聚类过程，而K-means 算法是很典型的聚类算法。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。信息熵是信息论中用于度量信息量的一个概念，一个系统越是有序，信息熵就越低；反之一个系统越混乱，信息熵就越高。所以信息熵也可是说是系统有序化程度的一个度量。本课题讲提出基于信息熵的全自动图像分割，将信息熵引入图像分割技术里面，用遍历的方法，实现图像的全自动分割。
步骤如下：
4. 参考文献
[1] 徐天芝, 张贵仓, 贾园. 基于形态学梯度的分水岭彩色图像分割[J]. 计算机工程与应用, 2016, 52(11):200-203.
[2] 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.
[3] 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.
5. 工作计划
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。
以上是毕业论文开题报告，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。
