姐姐的菊花蕾

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇姐姐的菊花蕾范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

姐姐的菊花蕾范文第1篇

值得注意的是，访谈节目主持人尤其要善于舍弃，准确地取舍，才能使主持人对节目整体感有较好的把握。上访谈节目的嘉宾大多人生阅历丰富，所经历的事情故事性强，或者是某一个领域的专家、代表人物，成绩显著。主持人在面对这样的嘉宾时往往觉得可谈的东西太多，都是有价值的，哪方面都不舍得放弃，结果造成大空全而没有突出重点。观众看了觉得哪儿都涉及了，但哪儿都泛泛而谈，不过瘾、不舒服。所以，这就需要谈话类节目主持人具备一定的素质，才能适应不断变化和飞速发展的谈话类电视节目及观众的需要。

主持人应该具备良好的“个人表述”能力

主持人在整个节目中运用个性化的表达方式来穿针引线，也就是调动现场的气氛。这一切需要主持人通过问话、接话来完成。中央电视台节目主持人崔永元把这个环节称为“个人表述”，而不是个人提问。他认为作为谈话节目主持人，表达个人想法的任务，在他身上不应该体现得那么严重，用不着把它当回事，这是自然而然的。在崔永元的节目中，不都是问话，会有很多种方式，有问句，有肯定的应答，也有否定句。否定句有时会产生意想不到的结果，这一切最终取决于主持人的人格魅力。主持人在遇到被访者滔滔不绝的情况时，喜欢所谓“巧妙”地打断对方，以使其谈话更适合节目要求。但崔永元却会这么做：在《实话实说》节目每次开录之前，他都会和现场观众做个约定，观众可通过崔永元拿话筒的手来决定说话的长短――当他一只手轻松地拿着话筒的时候，你可以尽情地说；当手有点抖动的时候，你就应该注意赶紧结尾了；如果他双拳抱握话筒，似乎在讨饶的话，你就赶紧刹车，否则他就会扭头就走了。谈话节目主持人在节目中不应只是“主持人本我、自我的表现，更应是从‘自我’分化、提升而来的‘道德化了的自我’，是对‘自我’的提升和超越，是人格形成的最文明的部分”。

谈话节目的嘉宾通常是专家，是新闻事件的知情人或者积极的旁观者，嘉宾的发言更具有权威价值，观众更想知道的是他们的看法。主持人的着力点在“问”，而嘉宾的责任在“谈”。观众关心的是主持人今天是否能问我心中之问，解我心头之疑；嘉宾是否能答疑解惑，是否能表达到位，是否能坦诚相对。在谈话节目中，主持人是现场的中心，但并非主角。他只起引导和贯穿的作用，嘉宾和现场观众才是谈话节目真正的主角。一些优秀的主持人深谙此道。央视主持人张越说：“电视节目里，嘉宾才是主角，主持人不应该总是显摆自己，应该是保护嘉宾，和他沟通，让他打开自己，最重要的是袒露自己。”曹可凡也认为，主持人应该甘当配角。明确了自我定位，主持人才能舍弃过分的自我表现意识，真正尊重和平等对待嘉宾和现场观众，充分调动和激发每一个参与者的谈话热情，让他们酣畅淋漓地表达自己的思想和意愿。谈话节目中，主持人能说会道虽然很重要，但是“说”要说到点子上，“说”要说得精练和恰当。所以说，在谈话类节目中，主持人“个人表述”能力的体现，是建立在充分发挥嘉宾个人表述和现场观众参与基础之上的。

主持人应具备良好的“倾听”能力

倾听对于访谈节目主持人的重要意义，正如美国著名的人际关系学大师卡耐基所言，倾听是一种无言的信任。注意倾听别人，就等于表示自己愿意接纳别人，承认和重视别人。有效的沟通属于真正的聆听。而要做到善于倾听，具备倾听的能力，就一定要摈弃主持人惯有的矫揉造作、哗众取宠和自我表现意识过强的做法。培养沉静内敛、兼收并蓄、放松自然的亲和力，才能让嘉宾和观众愿意对你说、想对你说。

在谈话节目中，主持人是作为一个倾听者、一个组织者的身份出现，调动现场气氛，控制话题的行进方向。主持人首先应该是一个能倾听并善于倾听的人。在现场，更多的时候是怎么能鼓动起谈话对象、嘉宾和观众，让他们畅所欲言，当营造出这个环境以后，主持人的倾听就显得特别重要，因为谈话者都希望得到尊重。

倾听是一种态度，是对谈话参与者的尊重，是对其陈述的鼓励。因为主持人面对的是有血有肉、有思想有情感的人，当主持人认真倾听时，他传达的是主持人及他代表的观众的真诚、善意和期待。谈话参与者感受到主持人的尊重，他才会把主持人视为朋友，寻求趋同、理解和心里满足，产生一吐为快的倾诉欲望。倾听，能够起到“此时无声胜有声”的神奇效果。倾听也是一种手段，是主持人获取新信息的重要途径。由于谈话节目的随机和即兴的特点，它不可能像其他类型的节目那样，可以完全按照制作者的安排进行，总会有些出人意料的细节发生，在现场交流碰撞中产生的奇思妙想和连珠妙语，更是事先不可能预计到的。而这些正是谈话节目的精彩所在，是最能吸引观众的地方。善于倾听的主持人能敏锐地从中捕捉到有用的信息，随机应变，找到新的交谈话题，把节目内容延续和深化下去，引起大家思想上的共鸣和交锋。

主持人应具有亲和力和真诚的交流能力

作为传媒与观众之间纽带的主持人，能否给予观众“真”的形象，是能否打动观众的关键。主持人崔永元在总结经验时说，主持的技巧最主要的就是真诚。敬一丹也曾说，即使是孩子，也要真诚地面对。《齐鲁开讲》的主持人武大海说：“有时候在节目之前的沟通中，有的嘉宾会表示他们今天来，就是为了大家一起把这台戏演好。”他听了之后特别不舒服，总是纠正说：“咱们今天就是聊天，和平常一样，千万别当成演戏。主持不等于表演，观众是非常敏锐的，如果你在表演的话，他们会很反感，会本能地排斥。”谈话节目中，主持人自身应处在一个真诚的状态，从而感染其他谈话参与者，得到更为真诚的回应。正如窦文涛所说：“我口述我心”，“真听、真看、真感觉”，“你要说这件事，你要先感动你自己，你要讲这个笑话首先自己先觉得好笑”。真诚与否，直接影响到主持人在观众心目中的地位，更关系到嘉宾及现场观众的发挥情况，因而也会影响到整个谈话节目的质量。

作为一名电视谈话节目的主持人，需要和嘉宾在节目中进行交流，通过提问去引导嘉宾面对镜头，说出他自己的观点和想法。在这种交谈中，真诚地倾听就显得非常重要。首先，主持人应真诚、用心地倾听嘉宾说话，让嘉宾在心理上愿意靠近主持人，缩短和主持人之间的距离，也就更容易说出心里的话；其次，主持人在提出问题后，认真倾听嘉宾的回答，从嘉宾的回答中捕捉更多新的信息，并利用这些捕捉到的信息更好地将谈话的主题引向深处。人际传播具有信息交流的双向性质，主持人还需要和嘉宾对话，进行沟通，演绎一个对话者的角色。主持人在倾听之后，需要对嘉宾做出回应，这种回应包括语言上和眼神上两方面的内容，其表现都应该是真实、真诚的。

主持人应具备良好的心态和谈话技巧

主持人的心态与技巧对谈话气氛的营造、交流沟通的完成起着举足轻重的作用。谈话节目主持人应学会处理四种关系，即主与宾、听与说、真与秀和内与外的关系。电视谈话节目是由主持人邀请嘉宾（含观众）围绕公众普遍关注的重要话题，在平等、真诚、和谐的氛围中展开讨论的群言式电视言论节目。现场人员一般由主持人、嘉宾和观众构成。在节目整体来看，不论每期节目内容如何，在一个相对固定的时间里，节目的主持人是不变的，所以从表面上看，谈话节目的主角是主持人。其实，主持人是场外观众的代言人，是“幕后”制片人、策划人、编导等栏目所有人员的创意的实践者。在整个谈话节目叙述中，他的思维活动不完全是个人化的，一方面要时刻考虑观众的所思所想，代替场外的观众与嘉宾进行提问、质疑、沟通、交流；另一方面作为栏目的代表，按照节目的设计程序展开话题，组织嘉宾和观众进行讨论，把握和引领节目的进程。

主持人在节目中要善于营造一种“客厅氛围”，让嘉宾走进我们的客厅，主持人就是我们这个客厅的主人。谈话节目主持人是公众人物，是媒体形象，在镜头前的一举一动、一言一行都需要高度严谨。主持人既要尊重嘉宾的话语权和观众的知情权，又要有自己的思想观点、有自己独特的分析判断、有严谨的总结问题的能力。同时，还要学会处理好各方面的关系，起到政府的“减压阀”和百姓的“减震器”的作用，仅仅当一个代言人和串联人的角色是不够的，只有在节目中不断完善自己，不断提高方方面面的能力和素质，才能做一名合格的谈话节目主持人。

参考文献：

1.苗棣、王怡林：《脱口成“秀”――电视谈话节目的理念与技巧》，中国广播电视出版社，2006年版。

2.翁佳：《名牌电视访谈节目研究报告》，中国经济出版社，2006年版。

3.古宇薇、陈坤：《谈话节目主持人的核心作用》，《今传媒》，2008（2）。

4.尚晓常：《电视访谈节目中主持人作用的发挥》，《广西社会科学》，2008（8）。

5.蔡辉：《谈话需要牵引 牵引为了传播――谈话节目中主持人牵引力的重要性及其把握》，《声屏世界》，2008（2）。

姐姐的菊花蕾范文第2篇

摘 要:为提升K均值聚类的效率及图像分割效果，提出了一种不完全K均值聚类与分类优化结合的图像分割(IKCO)算法。首先，采用简单的方法来进行数据精简及初始中心的确定；然后，根据给出的不完全聚类准则对图像进行聚类分割；最后，对分割结果进行分类优化以提升分割效果。实验结果表明，相对于传统的K均值聚类方法，IKCO算法在进行图像分割时具有很好的分割效率，且分割效果与人类视觉感知具有更高的一致性。

关键词:图像分割；不完全K均值聚类；分类优化

中图分类号: TP391.413 文献标志码:A

Abstract: To improve the clustering efficiency and image segmentation effect, the paper proposed an Incomplete K-means and Category Optimization (IKCO) method. First of all, the algorithm used simple approach to finish data subsampling and initial centers determining. Then, according to the clustering rules, the proposed algorithm finished images segmentation. Finally, the algorithm used category optimization method to improve segmentation results. The experimental results show that, compared with the traditional K-means clustering method, the proposed algorithm has better segmentation efficiency, and the segmentation result has a higher consistency with human visual perception.

Key words: image segmentation; incomplete K-means clustering; category optimization

0 引言

图像分割是将图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。它是图像处理到图像分析的重要环节。目前基于彩色图像的分割方法［1］大致有基于阈值的方法、基于模板匹配的方法、基于区域生长的方法以及基于边缘检测和基于聚类的方法等。

而在图像分割的众多方法中，K均值聚类由于其简单性与高效性而被广泛应用于图像分割。K均值聚类的主要思想是通过聚类使得类内差异渐小、类间差异渐大从而得到一个好的聚类,进而实现图像在某种意义上的分割。K均值聚类虽然有着简单、高效等优点，但由于其对初始聚类中心较为依赖且用K均值聚类实现图像分割时很少利用到图像的空间信息，使得在用K均值聚类实现图像分割时，往往会出现聚类效果不稳定、过分割等问题。

为提升传统K均值聚类的聚类效率及分割效果，本文对传统的K均值聚类算法进行改进，并结合分类优化方法提出一种不完全K均值聚类与分类优化(Incomplete K-means and Category Optimization, IKCO)算法来处理彩色图像的分割问题。本文的IKCO算法首先采用简单的方法来进行数据精简及初始中心确定；然后对精简后的样本进行不完全K均值聚类；最后再利用设计的分类优化方法对分类结果进行优化。

1 传统K均值聚类算法

K均值聚类算法是一种需要事先确定其聚类数目K的无监督聚类算法，在理论上具有高可靠性，同时应用起来收敛速度快，局部搜索能力强。因此，K均值聚类算法是图像分割中应用较多的一种算法。K均值聚类算法的主要思想是尝试将n个样本划分到K个类中，且尽可能使这K个类具有较小的类内差异和较大的类间差异。若设其准则函数如式(1)所示：

J=∑ki=1Ji=∑ki=1∑x=xix－xi2(1)

其中xi表示第i个类的中心。则其主要步骤可如下所示。

步骤1 从n个数据样本中通过某种策略选出k个样本作为初始聚类中心。

步骤2 计算各个样本与每个聚类中心的差异，根据某种原则将其划分到合适的聚类中。

步骤3 重新计算各个聚类中心，并根据式(1)计算出新的J值，记为Jt+1。

步骤4 若Jt+1－Jt≤ε则迭代停止，ε为迭代停止条件；否则转到步骤2继续迭代。

2 IKCO算法

本文提出的IKCO算法对传统的K均值聚类算法提出以下几方面的改进：首先，采用样本空间精简的方法来减少单次迭代的耗时;其次，采用一种简单的方法来确定初始聚类中心;另提出一种不完全聚类方法来进一步改进聚类的效率;最后，给出一种分类优化方法来对聚类结果进行优化，以剔除聚类结果中的一些小区域。算法的具体流程如图1所示。

在本文算法开始前，还需要对图像进行特征提取工作。由于主要只采用图像的色彩信息，因此对每个像素xi其特征向量为其在HSV色彩空间中的各分量构成：Vxi={hxi,sxi,vxi}。

设待聚类的特征向量集合为{V1,V2,…,VN}，其中N为像素总数，聚类数为K。

本文所采用的距离度量方式是在欧氏距离的基础上对各分量进行了加权，如式(2)所示：

d(Vi,Vj)=k1•hi－hj2+k2•si－sj2+k3•vi－vj2（2）

其中k1,k2,k3为对特征向量中各分量的加权值。

2.1 缩小样本空间

目前主要的样本精简策略有两种：一种是基于图像像素［2］的，即对图像进行分块，用块的均值或中值来作为新的样本。若分块大小为2×2，则分块的样本空间大小将变为原来的1/4。另一种是基于图像特征［3］的，即将具有相同特征的样本（像素）归为一类。本文的样本精简策略是在第二种方法基础上改进得来，即先对特征空间进行分块，再将像素基于其特征划分到分块后单元格中,并用单元格的值来体现具有此类特征的像素的个数。相对于传统K均值聚类过程中对所有样本进行处理，此算法能较大地提高聚类效率，算法描述如算法1所示。

算法1 样本空间精简。

程序前

输入 SM×N={si, j|1≤i≤M,1≤j≤N}为M×N大小的图像像素集合；

分块大小q×q×q; q为已确定常数。

输出 ZHn×Sn×Vn={zh,s,v|0≤h≤Hn,0≤s≤Sn,0≤v≤Vn}；Hn,Sn,Vn为各特征的个数，ZHn×Sn×Vn为分块后的特征空间。

Begin

for 对zh,s,v∈ZHn×Sn×Vn，Vh,s,v表示该单元格的值

Vh,s,v0;

for 对xi, j∈SM×N，Hx,Sx,Vx为其特征 do

h=Hx/q;s=Sx/q;v=Vx/q;

zh,s,vxi, j;

Vh,s,v++;

end

返回ZHn×Sn×Vn;

end

程序后

2.2 聚类中心确定

在目前的研究成果中针对K均值聚类中心选择的优化的方法有很多，且这些方法在处理某些图像分割问题时取得了较好的效果。这些方法主要有基于分裂式的方法（LINDE-BUZO-GRAY, LBG）［4］、基于最大最小距离（Minmax, MMX）［5］、基于密度的方法（Density-based, DEN）［6］、基于子集最远优先（Subset Farthest First, SFF）［7］等。本文给出的确定初始中心的方法在之前的样本精简基础上对最大最小距离方法引入密度来作为度量，最初的k个聚类中心选择样本密度最高的k个特征样本，然后迭代确定初始聚类中心，具体算法描述如算法2所示。

算法2 初始中心确定。

程序前

输入 ZHn×Sn×Vn为精简后的样本空间，最大迭代次数I。

输出 C={c1,c2,…,ck},k个聚类中心。这个逗号分隔得是否正确，请明确。

begin

Vv表示ZHn×Sn×Vn中样本v的值;

选取ZHn×Sn×Vn中k个Vv较大的样本作为k个初始中心赋予集合C中;

r0

while r≤I或者前一次迭代k个中心均无变化 do

for(i=0;i

max En0;

for v∈ZHn×Sn×Vn－{c1,c2,…,ck} do

d(v)min［d(v,c2),…,d(v,cK)］;

End(v)×Vv//引入密度来进行度量

if En>max En

swap(v,ci);

max EnEn;

end

end

rr+1;

end;

返回C={c1,c2,…,ck};

end;

程序后

2.3 不完全聚类

传统的K均值聚类方法在聚类过程中总是会计算样本与每个聚类中心的距离。而对于大多数样本其归属是极为明显的，可以通过一种方法来快速得到它的所属类，从而避免计算其与每个聚类中心的距离，进而缩小聚类时间。本文提出的算法给出了一种方法来将聚类中心附近的样本快速归于此聚类中。其主要思想是从聚类中心出发，将聚类中心的R邻域本文中的“领域”，是否应该为“邻域”？请明确。内的样本归于其所属类中，而对于未出现在任何聚类中心邻域内的样本和同时出现在多个聚类中心邻域内的样本将其设为待定，待迭代至聚类中心不再变化时，再将其归于最近的类中。

在给出具体算法描述前，先给出以下定义。

定义1 （（q,R）-邻域）假定q为m维空间Z={z1,z2,…,zm}中某个点，S为一个m维方体，V为一个多维区域，若满足以下条件:

1)q为S的中心；

2)R为一正整数；

3)S在第i维属性上的取值区域为［q［i］－R,q［i］+R］；

4)V为S中不包含q的非空单元格。

则称V为q的（q,R）-邻域，用T(q,R)表示。

这样对于样本x若其位于聚类中心ci的R邻域内，即x∈T(ci,R)，则将其归于以ci为中心的类中。邻域大小R值的确定将成为影响聚类效果的重要因素。理想的R值应使尽可能多的样本能够划分到聚类中，而尽可能少的样本被标记为待定。而理想的邻域半径的R值的确定计算是非常复杂的,因此本文提出了3种近似方法来确定邻域大小R。若设第i次聚类时，其聚类中心为Φi={φi1,φi2,…,φik}，第j个聚类中心的聚类半径为Ri, j，则3种方法Ri, j值的计算公式如下。

1）邻接最小距离：

Ri, j=12•min(φim－φij2); 1≤m, j≤k,m≠j（3）

2）邻接均值：

Ri, j=12•(k－1)∑k－11≤m, j≤k, m≠jφim－φij2(4)

3）全局均值：

Ri, j=12•C2k ∑C2k1≤m, j≤k, m≠jφim－φij2(5)

以上3种确定邻域半径R的方法不同的情况下有不同的效果，而本文中经过对多个图像进行多次实验采用了式（4）的方法来得到R值。

不完全聚类的具体算法描述如算法3。

算法3 不完全聚类。

程序前

输入 C0={c1,c2,…,ck}，k个初始聚类中心,ZHn×Sn×Vn为精简后的样本空间。

输出 S={s1,s2,…,sk},k个分类结果。

begin

j0

Repeat

对Z中的所有非空单元格初始化为待定状态0;

根据式（4）计算Ri, j的值;

For ci∈C(j) do

v表示属于Z中的非空样本;

if v∈T(ci,Ri, j)且v位于待定状态0

//将v归于以ci为中心的类中

siv

else if v∈T(ci,Ri, j)且v不位于任何待定状态

将v从之前划分到的类中剔除出来归于待定状态1;

end;

jj+1;

//根据前面的分类重新计算聚类中心

for z∈［1,k］ do

cjz=∑v∈sznv•v∑v∈sznv

until 所有k个类不再变化;

对v∈Z且v位于任何一种待定状态

//将v归于距离最近的类中

zΠk这个是累积符号吗？还是一个变量，请明确。{arg mink∈{1,2,…,k}v－ck2}

szv

返回k个聚类{s1,s2,…,sk}

end

程序后

2.4 聚类优化

利用以上不完全K均值聚类方法进行图像分割，由于并没有利用位于几个聚类交界处及位于整个样本空间边缘的一些样本，且聚类过程是基于特征的，完全忽略了图像的空间信息，使得聚类结果中出现了很多小区域。因此本文提出了一种对分类结果进行优化的方法，这种方法一定程度结合了区域信息，对聚类分割所产生的小区域进行了剔除，有较好的处理效果。其主要思想是用哈希的方法统计样本x的R×R邻域内属于各类的样本个数如图2所示，再将属于x所属类的样本个数与一个阈值比较，若大于则不做任何操作；否则将样本x归于邻域类样本所属类最多的类中，其算法描述如算法4所示。

算法4 聚类优化。

程序前

输入 SM×N={si, j|1≤i≤M,1≤j≤N}，表示M×N大小的图像像素集合；

LHn×Sn×Vn={lh,s,v|0≤h≤Hn,0≤s≤Sn,0≤v≤Vn}不完全聚类后的分类结果；

lh,s,v的值表示具有特征h,s,v的样本所属的类；

分块大小q×q×q; q为已确定常数。

输出 UM×N={ui, j|1≤i≤M,1≤j≤N}，表示M×N大小图像各个像素所属类的标记。

Begin//先用LHn×Sn×Vn对UM×N进行初始标记

for 对xi, j∈SM×N，Hx,Sx,Vx为其特征 do

h=Hx/q;s=Sx/q;v=Vx/q;

ui, jlh,s,v

end

//统计x的R×R邻域内属于各类的像素个数,Γ(x,R)表示x//的R×R邻域

for 对xi, j∈SM×N do

for xt,k∈Γ(xi, j,R) do

m［ut,k］++;

end;

//若邻域内像素属于x所属类的个数小于阈值T,则将//ui, j标记为邻域类像素属于最多的类中

if m［ui, j］

ui, jΠut,k这个也是同样的问题，请明确是变量，还是累积符号？max(m［ut,k］)

end;

返回UM×N;

end;

程序后

算法4所描述的聚类优化算法，由于整个优化过程是基于分类结果的遍历，在单步操作中只是对预先设定好的邻域类的所属类进行了统计，因此整个聚类优化算法的复杂度接近O(n)。相对于其他的一些较为复杂的聚类优化算法，此算法能够较大地提高聚类优化的效率。另从图3中不同阈值的优化结果与未经过优化的结果进行对比，可知算法4描述的聚类优化方法优化效果也是比较良好的。

此外，在这种聚类优化方法中，需要先确定两个参数即邻域的大小和阈值的大小。对于邻域大小的确定需要根据图片的大小即对优化效果的要求进行调整，而阈值的选取需要在邻域确定后根据的对处理效果的要求来决定。本文经过多次实验针对194×128的图片选取了9×9大小的邻域。而在选取阈值时需综合考虑对小区域的处理结果和对边缘特征的影响大小来决定。如图3所示，显示了不同的阈值对处理结果的影响。经过对多幅图片进行实验，结合对处理效果的要求，本文选取的实验时阈值大小为30。

3 实验结果

3.1 定性分析

目前对于图像分割结果好坏的评价准则一般是将其与人类视觉的感知进行比较，即由人眼主观判断得到。为确定本文所设计的IKCO算法的有效性，实验通过采用Berkely图像数据库［8］中的图像进行了实验,作为比较同时列出了传统K均值聚类,K均值聚类与区域合并结合(K-Means and Region Merging, KMRM)算法的处理结果，以及本文的IKCO算法过程中部分阶段的得到的结果及最终结果。实验环境为AMD 64，CPU 2.64GHz,1GB内存。以下给出3组实验结果。

在图4~6所示的图像分割结果中，图4(a)、图5(a)、图6(a)为原图，图4(b)、图5(b)、图6(b)为传统的k均值聚类的分割结果，图4(c)、图5(c)、图6(c)为本文IKCO算法的不完全聚类部分的结果，图4(d)、图5(d)、图6(d)为KMRM算法的处理结果，图4(e)、图5(e)、图6(e)为本文IKCO算法所得到的处理结果。从图4(b)、图5(b)、图6(b)中可以看出传统K均值聚类所得到的图像分割结果效果极差，而图4(c)、图5(c)、图6(c)表明本文给出的不完全聚类方法在加权的距离度量方法下得到的处理结果已经很好，只是存在一些孤立的小区域，而本文IKCO所得到的图像分割结果即图4(e)、图5(e)、图6(e)已经与人眼分割结果极

为接近。而从图4(d)、图5(d)、图6(d)与图4(e)、图5(e)、图6(e)的对比可知，本文方法与KMRM算法分割效果较为相似，都与人类视觉感知很接近，但从图片1,2的结果对比可更为明显看出一些情况下本文IKCO算法优于KMRM算法。表1给出了图4~6分割时所采用的相关参数和分类数，其中：k1,k2,k3分别为距离度量时各色彩分量的加权因子,hs,hr为KMRM算法中的两带宽参数。另本文IKCO算法所采用的迭代停止条件取10－5。

3.2 定量分析

为了定量地评价本文所给出的方法，采用了大多数文献所采用的分割评价准则，即分割准确度（Segmentation Accuracy, SA）（如式（6）），来对算法的处理效果及性能进行衡量。表2中的数据即为本文IKCO算法与快速FCM［9］、Jseg［10］GrabCut［11］和N-Cut［12］几种算法在图4~6中的三组图像的处理效果和性能上统计的平均值。从表2分析可以得出本文IKCO算法在分割结果上处理效果居中，比不上Jseg及GrabCut算法，但也相差不大，但运行时间上相对于这两种方法有较大降低。另从表2可看出，本文IKCO算法相对于快速FCM和N-Cut方法运行时间及处理效果都有较好的改善。

SA=NCorrect/NTotal（6）

另为进一步验证本文IKCO算法所做的工作，即对传统K均值聚类的改进和聚类优化的价值，本文通过与KMRM算法在聚类时间和聚类优化时间上分别进行比较，来突出本文IKCO算法的可利用性。表3给出了KMRM算法与本文算法在图4~6中各自的聚类时间，及对聚类结果优化处理的耗时。从表3中两算法的“聚类时间”一列可以看出，本文所给出的IKCO算法在聚类时间上相对于KMRM算法有大幅度的降低。另由于KMRM算法中的区域合并实质上也是对聚类结果的优化，因此从表3中的（KMRM）的“区域合并时间”一列与本文的IKCO算法的“分类优化时间此列与表3中的那一列名称不一致，请统一用同一个名称。”一列的对比可看出本文算法所设计的聚类优化方法在性能上相对于区域合并的聚类优化方法有着很大的优势。综合以上情况可知本文IKCO算法在一些情况下在聚类时间及聚类优化时间上均优于K均值聚类与区域合并结合的算法，存在一定的价值。

4 结语

实验结果表明，本文提出的基于不完全K-means聚类与分类优化结合的方法(IKCO)，在处理大部分图像分割的问题时能得到较好的分割效率及处理效果。且通过对本文IKCO算法与其他几种常见的图像分割算法在处理效果和分割效率上进行比较，表明本文方法是存在较大的价值。当然本文提出的方法在一定程度上存在局限性，在不完全聚类过程中，由于只利用了部分样本进行聚类迭代，若整个样本空间中样本非常分散，则聚类效果将变得不理想。本文给出的分类优化方法在对进行分类优化时若图像中存在较小或较细的对象，则会将其完全覆盖。这两个问题的解决将成为下一步的研究重点。

参考文献:

[1]

林开颜，吴军辉，徐立鸿.彩色图像分割方法综述［J］.中国图象图形学报,2005,10(1):1-10.

[2]

GOLDBERG N. Colour image quantization for high resolution graphics display ［J］. Image and Vision Computing, 1991, 9(5): 303-312.

[3]

MIGNOTTE M. Segmentation by fusion of histogram-based k-means clusters in different color spaces ［J］. IEEE Transactions on Image Processing, 2008, 17(5): 780-787.

[4]

LINDE Y, BUZO A, GRAY R. An algorithm for vector quantizer design ［J］. IEEE Transactions on Communications, 1980, 28(1): 84-95.

[5]

GONZALEZ T F. Clustering to minimize the maximum intercluster distance ［J］. Theoretical Computer Science, 1985, 38(2/3): 293-306.

[6]

AL-DAOUD M, ROBERTS S. New methods for the initialisation of clusters ［J］. Pattern Recognition Letters, 1996, 17(5): 451-455.

[7]

TURNBULL D, ELKAN C. Fast recognition of musical genres using RBF networks ［J］. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(4): 580-584.

[8]

MARTIN D, FOWLKES C, TAL D, et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics ［C］// Proceedings of 2001 International Conference on Computer Vision. Washington, DC: IEEE Computer Society, 2001: 416-423.

[9]

孙艺峰,王向阳,王春花.一种新的快速模糊C均值聚类图像分割算法［J］.小型微型计算机系统.2008, 29(2): 320-323.

[10]

DENG Y, MANJUNATH B S. Unsupervised segmentation of color-texture regions in image and video ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23(8): 800-810.

[11]

ROTHER C, KOLMOGORO V, BLAKE A. Grabcut-interactive foreground extraction using iterated graph cuts ［J］. ACM Transactions on Graphics, 2004, 23(3/4): 309-314.

[12]

SHI J, MALIK J. Normalized cuts and image segmentation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 888-905.

收稿日期:2011-07-06;修回日期:2011-08-23。

基金项目:

国家863计划项目(2006AA12A104)这个基金项目是否已经结题，请明确。未结题。