谢玮昌 李宪华 凤志雄 来淼

编者按：这篇文章针对传统模糊C均值的分割方法容易受到噪声影响的问题，设计了一种基于小波变换和K-means聚类的噪声图像分割方法。首先，对噪声图像进行二维小波分解，然后对分解后的噪声系数进行阈值处理，抑制噪声影响，将阈值处理后的系数进行小波逆变换重构输出图像，最后，对小波变换后的图像进行K-means聚类分割。实验结果表明，将原始噪声图像和降噪后图像进行图像分割对比，发现降噪后分割效果更好，所用时间更短。

引言

图像分割是一种重要的图像分析技术，是图像分析的第一步。它是指将图像中具有特殊意义的不同区域划分开来，这些区域是互不相交的，每个区域满足灰度、纹理、彩色等特征的相似性准则。图像分割是图像分析过程中最重要的步骤之一，分割出的区域可以作为后续特征提取的目标对象[1]。

在获取、传输或变换图像过程中受到外界影响会产生噪声，使图像对比度下降或者模糊。图像降噪是指减少数字图像中噪声的过程，被广泛应用于图像的预处理。模糊C均值（FCM）是常用的图像分割技术，该方法是由Dunn提出，经过Bezdek的推广后，获得了较广泛的应用[2]。然而这一算法也存在着一些缺点，初始化选取不合适会影响分割效果，数据样本较大时聚类时间较长，且容易受到噪声的影响[3]。而在给定聚类中心数目后，K均值聚类方法的运算时间会大大小于模糊C均值。

对此本文提取基于小波变换与K-means均值聚类的噪声图像分割方法。……