教育部科学技术研究重点项目申请书

教育部科学技术研究重点项目申请书 v200801 教育部学技术司 填 表 说 明 1．申请书为申报教育部科学技术研究重点项目的主要文件，一经立项，即为的项目执行的任务书。各项内容须认真填写，表内栏目不能空缺，无此项内容时填“/”或“0”； 2．“项目名称”应简洁、明确，字数不超过30个汉字； 3．申请书第二部分有字数限制，第三~八部分表格可以拉长加页； 4．所在研究基地指申请人所在的国家或省部级实验室或工程（技术）中心等； 5．人才计划指获得以下人才计划资助者：长江学者、创新团队、跨（新）世纪人才、青年骨干教师培养计划，国家杰出青年科学基金、创新研究群体，百人计划，百千万人才工程（第一、二层次），省部级人才支持计划等； 6．申请书须加盖学校（部门）公章方为有效。 7．通过教育部科技管理平台提交项目申请书电子版本时，申请书中各签章页和附件部分（附件内容要求见申请书第十四款）须将原件扫描后，与申请书其他部分一并转换成pdf格式后通过教育部科技管理平台系统上传申报。 8．项目一经批复立项，须在规定时间内报送申请书纸质版（无 需附件），书面材料均用A4纸双面打印，纸质封面装订。 2 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 3 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 二、项目概述（不超过800字） 模糊C均值算法是基于目标函数的聚类算法中理论最完善、应用最广泛的算法。由于成功地将模糊概念引入到图像像素的隶属度，模糊C均值算法能够保留更多的原始图像信息。虽然模糊C均值算法由于自身的优势得到了广泛的应用和发展，但是该算法在进行图像分割时需要事先确定分类数、对噪声敏感、易陷入局部极值。均值漂移算法作为一种有效的聚类算法用于图像分割时不需要任何先验知识，完全依靠特征空间中的样本点进行分析，近年来该算法在图像分割和跟踪等计算机视觉领域得到广泛的应用。但是均值漂移算法收敛速度慢以致影响了它的实际应用，另外该算法中带宽的选择对算法性能有较大的影响。 为此，本项目将通过将空间上下文信息引入和利用智能群算法对传统的模糊C均值算法进行改进，提高原有算法的抗噪性能，解决其初始值的设置问题。从自适应的选择带宽和加快算法的收敛速度两方面着手，提高经典均值漂移算法的图像分割能力。从变换域的角度，利用轮廓波变换对传统聚类算法进行改进，提高算法的抗噪声能力。最后，将各种改进算法用于不同类型图像的分割，以此来判断各种改进算法的适用范围，对现有算法进行分类，以指导用户在浩瀚的图像分割算法中结合问题的特定环境选择合适的分割算法，力争提高算法的通用性和使用范围。 4 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 三、立项依据（研究意义与必要性，国内外研究现状及分析，并附主要参考文献目录） 研究意义与必要性： 图像分割是图像分析和模式识别的第一步，是图像分析和模式识别中的关键和必要步骤之一，决定着最终的图像分析和图像理解的结果和质量[1,2]。目标表达、特征提取和参数测量以及高层图像分析和理解都依赖于对图像的正确分割。 正是由于图像分割是一种关键的图像分析技术，其应用也相当广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像，其中包括视频交通检测[3,4]、医学影像分析[5]、军事研究领域[6]、遥感气象服务[7]以及面向对象的图像压缩和基于内容的图像数据库查询[8]等。总之，在各种图像应用中，凡是需要对图像目标进行提取、测量等都离不开图像分割。 因为分割问题是图像处理的一个基本问题，分割结果又对图像的高级处理阶段影响很大，因此，图像分割几十年来始终是图像处理领域中一个经典的研究课题。尽管人们在图像分割方面已取得了大量的研究成果，但目前尚无通用的分割理论提出，现已提出的算法大多都是针对具体的应用和具体类型的图像，某种算法可能适合于处理某类问题，但对另外一类问题的处理却是爱莫能助。如何提高分割算法的通用性，扩大算法的使用范围，是一个值得研究的课题。 本课题将从提高传统聚类分割算法的抗噪性能、加快均值漂移算法对各类图像（彩色图像、遥感图像、医学图像和含噪声图像）的分割速度、自适应地对各类图像（彩色图像、遥感图像、医学图像和含噪声图像）进行均值漂移图像分割和从变换域的角度对聚类图像分割算法进行改进几个方面提高传统聚类分割算法的性能，力争提高聚类算法进行图像分割的通用性。 国内外研究现状及分析： 由于图像分割的研究多年来一直受到人们的高度重视，至今已经提出了上千种各种类型的图像分割算法，而且近年来每年都有上百篇有关研究报道发表。虽然如此，但一般来讲，对图像进行分割仍然主要是基于灰度值的两个基本特性：相似性和不连续性，并且图像分割算法也主要采用两个基本原理来实现：基于区域和基于边界[9]。因此，从本质上来区分，图像分割的技术分为：基于区域的图像分割技术，基于边缘的图像分割技术，以及结合特定理论工具的图像分割技术。 聚类分析用数学的方法研究和处理给定的对象，并对其进行分类，它是具有代表性 5 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 的无监督分类方法之一。由于图像分割正好是要将图像的像素集进行分类，因此人们很自然地将聚类分析方法用于图像的分割问题[10]。其中基于目标函数的聚类由于设计简单、易于实现，同时该方法能够被转化为优化问题利用经典数学的非线性规划理论求解，因此日益引起研究者的广泛关注。 基于目标函数的聚类算法中理论最为完善、应用最广泛的是模糊C均值（fuzzy C means, FCM）算法[11]。采用FCM算法进行图像分割的好处在于使用该算法不用设定阈值，而且采用该方法可以解决利用阈值法时难以解决的多分支分割的问题；由于FCM算法属于无监督分类方法，因此其适用于自动分割领域；同时FCM算法适应于处理图像中存在的模糊性和不确定性问题。虽然FCM算法由于算法自身的优势得到了广泛的应用和发展，但是该算法在进行图像分割时存在着聚类数目的确定、对初始值敏感，易陷入局部极值和空间信息的使用等问题。围绕上述问题国内外学者展开了大量的研究，从分类数的确定、全局优化、初始参数的设置等方面对传统的FCM算法进行改进。 FCM算法中关于确定样本集的最佳分类数的问题属于聚类有效性问题，分类数选择的是否合适，直接影响到图像分割的质量。文献[12]采用基于直方图平滑的峰点检测方法自动确定图像的分类数，然后利用加权的FCM算法进行图像分割。文献[13]中作者利用离散进化曲线寻找真正的聚类中心以修正FCM算法初始聚类中心的设置，从而减少了算法的迭代时间。文献[14]中，蚁群算法被用来获得初始聚类中心。刘晓龙，张佑生等[15]利用模拟退火算法提高传统FCM算法搜索全局最优解的能力。李艳灵等[16]利用像素比例和硬C均值算法相结合的方法自动确定分类数。杨红颖，王向阳等[17]通过引入ReliefF技术进行特征加权，结合聚类有效性指数自适应确定初始聚类数目、根据Laws纹理测度提取图像特征等措施，提出了一种新的FCM彩色图像分割算法，该算法有效地提高了图像的分割效果。 传统的FCM算法仅仅在特征空间中进行聚类，没有考虑图像中像素点间的空间邻域位置信息，这使得传统的FCM算法对噪声敏感。文献[18]首先修改递归的FCM算法使其包含有关照明的偏差估计，然后利用像素的邻域平均密度和像素密度产生聚类中心和聚类目标函数，最后对初始分割结果进行膨胀操作以获得更好的分割结果。蔡涛等[19]提出一种改进的空间约束FCM约束分割算法，该算法引入了Markov随机场理论中类别标记的伪似然度近似策略，将像素特征域相似性同空间域相邻性有机地结合起来，给出新的聚类目标函数，取得了较好的效果。Hou等[20]提出正则化的模糊C均值聚类方法利用活动 6 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 均值滤波作为正则器对脑组织MRI图像的分割。 Ahmed 等[21]通过引入空间约束修改经典的FCM算法的目标函数，允许像素邻域空间中的标记影响其标记，取得了好的图像分割结果，该算法称为FCM-S算法。但是，FCM-S算法由于引入空间约束增加了算法的运行时间，特别是当处理的数据量较大时更加费时。为此文献[22]中，作者通过合并局部空间信息和局部灰度信息提出一种新的快速且健壮的FCM算法，以此减缓FCM-S算法的不足。文献[23]提出带有空间偏差修正的基于高斯核函数的FCM算法，该算法是FCM-S算法、FCM-S1算法和FCM-S2算法的概括，具有较强的抗噪性能。文献[24]中，Zhang Y等提出一种针对噪声图像的健壮的模糊聚类图像分割方法，该方法的隶属度函数具有单峰特性，用于图像分割取得了较好的分割结果。李彬等[25]考虑到MR图像真实的灰度值具有分片为常数的特性，对传统的FCM算法进行改进，增加了使隶属度趋向于分片光滑的约束项，得到新的聚类算法，该算法比传统的FCM算法具有更强的图像分割能力。 另外，还有一些研究者提出一些健壮距离准则通过修改FCM算法的距离度量来增强其抗噪性能[26]。文献[27]中作者利用一种新颖的非相似度量指标代替原有的距离度量将局部空间上下文信息与非局部信息结合，并将其用于FCM算法进行脑核磁共振图像的分割，取得了较好的分割结果。 模糊C均值算法依赖于聚类数目这一先验知识而且对初始值敏感，并且在特征空间的分析时加入了人为的假设条件，而均值漂移算法是一种用于特征空间分析的非参数方法，不需要计算聚类数目，省去了确定聚类数目这一烦琐的计算过程。但是，传统的均值漂移算法速度慢以致影响其实际应用[28]。为此，樊晓平，叶榛等[29]首先采用空间离散方法对数据集化简，然后引入动态更新机制，每次迭代后将数据集更新到均值点，并将聚集在一起的数据点用一个收敛点表示，同时根据数据集直径的变化，自适应地计算各向异性的带宽参数。该方法不仅提高了算法的收敛速度，而且降低了计算复杂度。本项目拟利用共轭梯度法加快经典均值漂移算法的速度，并将其应用于彩色图像、纹理图像和含噪声图像的图像分割，以扩大该算法的使用范围。 另外，均值漂移算法中带宽的选择对算法的准确性和效率有很大的影响，它不但能够决定参与迭代的采样点数量，而且还将影响算法的准确性和收敛速度，因此选择合适的带宽十分重要。为此，覃剑，曾孝平等[30]提出了一种基于边界力的Mean-Shift核函数带宽自适应更新算法。在分析目标加权核直方图模型的基础上，引入区域似然度以提取 7 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 目标的局部信息。然后，比较相邻帧间的区域似然度并构建边界力，通过对边界力的计算，得到边界点的位置，进而自适应地更新核函数带宽。该算法改善了Mean-Shift算法在目标尺度和形态发生变化时的跟踪效果，并且可以满足实时性的需要。文献[31]提出了一种新的自适应带宽计算方法， 并将其用于目标跟踪，也取得了较好的效果。可是自适应选择带宽的算法用于图像分割的研究较少，为此本课题将研究自适应均值漂移算法用于图像分割。 上述研究者们提出各种方案来提高传统聚类算法的抗噪性能。大多数的改进方案都是对时（空）域信号处理，以此来提高传统算法的抗噪性能，这种改进方案取得了一定的效果。本课题的研究将变换域的角度改进传统的聚类算法，以此来提高传统聚类算法的抗噪性能。使用变换域的方法时，图像信号被变换到另外的一个函数空间进行处理。变换域方法中，使用小波变换方法进行图像去噪是图像去噪领域中的重要方法之一。但是，使用小波变换时，图像的噪声信号和几何特征不能被有效地加以区分[32,33]，为此研究者们提出各种方案解决这一问题。近年来，通过大量的研究表明：使用由M.N.Do等在2002年提出的轮廓波变换进行图像去噪比使用小波变换效果更好，因此本课题拟首先使用轮廓波变换对图像进行去噪，然后再用聚类算法进行图像分割的方法，以提高传统聚类算法的性能。 参考文献 [1] 边肇祺，张学工等. 模式识别（第二版）. 北京: 清华大学出版社，2000 [2] 章毓晋. 图像工程—图像处理和分析. 北京: 清华大学出版社，1999 [3] De la Escalera A, Armingol J M, Pastor J M, et al. Visual sign information extraction and identification by deformable models for intelligent vehicles. IEEE Transaction on Intelligent Transportation Systems, 2004, 5(2): 57-68 [4] Ha D M, Lee J M, Kim Y D. Neural-edge-based vehicle detection and traffic parameter extraction. Image Vision Computing, 2004, 22: 899-907 [5] Nathalie Richard, Michel Dojat, Catherine Garbay. Distributed Markovian segmentation: Application to MR brain scans. Pattern Recognition, 2007, 40(12): 3467-3480 [6] 吴文怡，吴一全. 基于Contourlet变换的红外弱小目标检测方法. 红外与激光工程，2008，37(1): 136-138 [7] Christodoulou C I, Michaelides S C, Pattichis C S. Multifeature texture analysis for the classification of clouds in satellite imagery. TEEE Transaction on Geoscience and Remote 8 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 Sensing, 2003, 41(11): 2662-2668 [8] EI-Qawasmeh E. A quadtree-based representation technique for indexing and retrieval of image databases. Journal of Visual Communication and Image Representation, 2003, 14(3): 340-357 [9] Gonzalez R C, Woods R E著. 阮秋奇，阮宇智译. 数字图像处理. 北京: 电子工业出版社，2003 [10] Miin-Shen Yang, Kou-Lung Wu. A Similarity-Based Robust Clustering Method. IEEE Transaction on pattern analysis and machine intelligence, 2004, 26(4): 434-448 [11] 高新波. 模糊聚类分析及其应用. 西安: 西安点击科技大学出版社，2004 [12] 潘伟，付佳，王秀芬等. 一种自动分类的加权模糊C均值图像分割算法.中国海洋大学学报，2007，37(3): 485-488 [13] Sookpotharom Supot, Chaichana Thanapong, Pintavirooj Chuchart, et al. Segmentation of Magnetic Resonance Images Using Discrete Curve Evolution and Fuzzy Clustering. Proceeding of the 2007 IEEE International Conference on Integration Technology, 2007, 697-700 [14] Hall L O, Kanade P M. Fuzzy ants and clustering. IEEE Trans on Systems, Man and Cybernetics_PART A: Systems and humans, 2007, 37(5): 758-769 [15] 刘晓龙，张佑生，谢颖. 模拟退火与模糊C-均值聚类相结合的图像分割算法. 工程图学学报，2007，1: 89-93 [16] Yanling Li, Yi Shen. An Automatic Fuzzy C-Means Algorithm for Image Segmentation. Soft Computing, 2010, 14(2): 123-128 [17] 杨红颖，王向阳，王春花. 基于特征加权的自适应FCM彩色图像分割算法. 计算机科学，2009，36(8):281-284 [18] Ma L, Staunton R C. A modified fuzzy c-means image segmentation algorithm for use with uneven illumination patterns. Pattern Recognition, 2007, 40(11): 3005-3011 [19] 蔡涛，徐国华，徐筱龙. 基于模糊C均值与 Markov随机场的图像分割. 计算机工程，2007，33(20): 34-39 [20] Hou Z, Qian W, Huang S, et al. Regularized fuzzy c-means method for brain tissue clustering. Pattern Recognition Letters, 2007, 28:1788-1794 [21] Ahmed M N, Yamany S M, Mohamed N, et al. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data. IEEE Transaction on Medical 9 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 Imaging, 2002, 21(3):193-199 [22] Cai W L, Chen S C, Zhang D Q. Fast and robust fuzzy c-means clustering algorithms incorporating local information for image segmentation. Pattern Recognition, 2007, 40(3): 825-838 [23] Yang M-S, Tsai H-S. A Gaussian kernel-based fuzzy c-means algorithm with a spatial bias correction. Pattern Recognition Letters, 2008, 29: 1713-1725 [24] Zhang Y, Fu-Lai Chung, Wang S T. Robust fuzzy clustering based image segmentation. Applied Soft Computing, 2009, 9(1): 80-84 [25] 李彬，陈武凡，颜刚. 基于隶属度光滑约束的模糊C均值聚类算法. 中国图象图形学报，2007，12(4): 623-627 [26] 李艳灵，沈轶. 基于空间邻域信息的FCM图像分割算法. 华中科技大学学报（自然科学版），2009，37(6): 56-59 [27] Wang J Z, Kong J, Lu Y H, et al. A modified FCM algorithm for MRI brain image segmentation using both local and non-local spatial constraints. Computerized Medical Imaging and Graphics, 2008, 32: 685-698 [28] Yang C, Duraiswami R, DeMenthon D, et al. Mean-shift analysis using quasi-Newton methods. Proceedings of the international conference on image procession, 2003, 3: 447-450 [29] 周芳芳，樊晓平，叶榛. 基于自适应带宽的快速动态高斯核均值漂移算法. 控制理论与应用，2008，25(4):608-612 [30] 覃剑，曾孝平，李勇明. 基于边界力的Mean-Shift核窗宽自适应算法. 软件学报，2009，20(7): 1726-1734 [31] 陈晓鹏，李成荣，罗杨宇，李功燕. 自适应带宽均值移动算法及目标跟踪. 机器人，2008，30(2):147-154 [32] Pennec E L, Mallat S. Sparse Geometric Image Representations With Bandelets. IEEE Trans. Image Process., 2005, 14(4):423-438 [33] Candès E J, Donoho D L. New Tight Frames of Curvelets and Optimal Representations of Objects with Piecewise C Singularities. Commun. Pure Appl. Math, 2004, 57(2): 219–266 10 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 四、研究目标及主要研究内容（研究目标、具体内容、技术关键和难点） 研究目标： 本项目主要就传统聚类算法的性能改进、使用轮廓波变换的方法提高传统聚类算法的性能和提高改进算法的通用性几个问题展开深入的研究，力争达到以下目标： 1.将空间上下文信息引入传统聚类算法，通过对传统算法中目标函数的改进，提高传统FCM算法的抗噪性能。探索新型的基于智能群算法的聚类图像分割算法。利用各种不同的智能群算法全局性和鲁棒性的特点解决传统模糊C均值算法易陷入局部极值和需要设置初始值的问题。 2. 设计自适应均值漂移算法和快速均值漂移算法。从带宽的选择和收敛速度的提高两方面提高传统均值漂移算法的图像分割能力。 3. 提出基于轮廓波变换的聚类图像分割算法。从变换域的角度改进传统聚类分割算法，提高算法的抗噪性能。 4. 提高聚类图像分割算法的通用性。将上述各种改进算法用于含噪声图像、彩色图像、遥感图像、纹理图像等各种图像的图像分割，提高算法的使用范围。 主要研究内容： 1. 提高模糊C均值算法的抗噪性能。图像中的像素点之间是高度相关的，即相邻像素往往具有相近或相似的特征。然而，传统的模糊C均值算法却没有考虑图像中像素点间的空间邻域信息，这就使得传统的模糊C均值算法对噪声敏感。为此，研究者们通过将空间信息引入传统的模糊C均值算法提出各种改进算法。但是大多数改进算法仅限于灰度图像，对彩色图像、纹理图像和遥感图像等特殊类型的图像分割却爱莫能助。如何提高各种改进算法的通用性，使其能够处理不同类型的图像是一个亟待解决的问题。 2. 自动确定分类数和初始聚类中心。传统的模糊C均值算法用于图像分割是一种经典的方法，但是这种算法在本质上是一种局部搜索寻优技术，该算法需要随机产生初始值，且对初始值敏感，并且算法容易陷入局部极值，分类数也需要人工确定。为此需要对传统的模糊C均值算法进行改进，增强其全局适应能力，并通过与智能型算法的结合，利用智能型算法全局性和鲁棒性的特点弥补模糊C均值算法的不足。 3. 提高均值漂移算法的自适应能力和收敛速度。使用均值漂移算法时，省去了计算聚类数目这一繁琐的过程。但是，经典的均值漂移算法收敛速度慢以致影响了它的实际应用。另外，均值漂移算法中带宽的选择直接影响到算法的准确性和效率。本项目将 11 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 从带宽的选择和收敛速度的提高两个方面改善经典均值漂移算法，并将各种改进的均值漂移算法用于含噪声图像、彩色图像、遥感图像、纹理图像等各种图像的图像分割问题。 4. 基于轮廓波变换的聚类图像分割。大多数研究者改进传统聚类算法，提高其抗噪性能，都是直接对时（空）域信号处理，取得了一定的效果。变换域方法将图像信号变换到另外一个函数空间进行处理，而另外一个函数空间能够很方便的区分噪声信号和图像信号。因此，本课题将从变换域的角度改进原有的聚类分割算法，首先使用轮廓波变换对图像进行消噪，然后再用聚类算法进行图像分割。 技术关键和难点： 1. 算法的评价问题。如何对现有算法和改进算法进行较为全面的评价和对比，即如何进行图像分割方法的评价，建立较为完整的图像分割评价准则是我们需要研究的一个重要课题。 2. 算法的通用性问题。如何对现有算法进行改进，力争提高其通用性和如何对现有的分割算法进行分类，使得这些分类信息能够指导用户在浩瀚的分割算法中结合问题的特定环境选择合适的分割算法，是值得研究的问题。 12 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 五、研究方案及可行性分析（研究方案，技术路线，组织实施方案及可行性分析） 研究方案： 本项目的研究内容互相相关，相互影响。提高模糊C均值算法抗噪性能的改进算法、基于智能群算法的模糊C均值算法和有关均值漂移算法的改进算法的研究可以先行独立研究，然后在此基础上提出基于轮廓波变换的聚类图像分割算法，最后将各种改进算法用于不同类型图像的图像分割，提高算法的使用范围。 1. 提高模糊C均值算法的抗噪性能 传统的模糊C均值算法通过将特征空间中相似的数据点聚类对图像进行分割。图像中的像素点之间是高度相关的，即相邻像素往往具有相近或相似的特征。因此，邻域像素的空间位置关系在图像分割中是一种重要的可以利用的特征，它可以帮助进行像素点的分类。然而，传统的模糊C均值算法却没有考虑图像中像素点间的空间邻域信息，这就使得传统的模糊C均值算法对噪声敏感。为此，本课题将从隶属度的改进和目标函数中距离度量的修正两方面入手，提高传统模糊C均值算法的抗噪性能。在对隶属度函数进行改进时，拟引入空间函数的概念，利用空间函数判断像素点分类的正误，并通过空间函数的值对原有隶属度值进行修正，以此提高算法的抗噪性能。在对距离度量进行修正时，拟采用相似度测度的概念将空间距离与特征距离相结合，定义一种新的距离度量方式，提高算法的抗噪性能。 2. 自动确定分类数和初始聚类中心 传统的模糊C均值算法在本质上是一种局部搜索寻优技术，该算法需要随机产生初始值，对初始值敏感，并且传统的模糊C均值算法容易陷入局部极值，分类数也需要人工确定。粒子群算法源于对鸟群扑食行为的研究，目前广泛应用于函数优化、模糊系统控制、神经网络训练等领域。本课题拟将粒子群算法与FCM相结合，利用粒子群算法的全局搜索能力，解决传统FCM算法易陷入局部极值和对初始值敏感的问题。微分进化算法也是一种基于种群进化的多点搜索算法。但是，该算法不只是对单一解进行操作，它采用群体搜索技术，通过交叉、变异和选择等操作产生新一代种群，并使种群逐步进化到包含或接近最优解的状态。本课题拟通过微分进化算法的变异、交叉和选择操作确定FCM的初始聚类中心和分类数，以此解决FCM的初始值的设置问题。 3. 提高均值漂移算法的自适应能力和收敛速度 大多数的聚类算法对聚类数目这一先验知识具有较强的依赖性，而使用均值漂移算 13 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 法时，聚类数目是不需要事先确定的，从而实际上省去了计算聚类数目这一繁琐的过程。但是，传统的均值漂移算法收敛速度慢以致影响了它的实际应用。另外，均值漂移算法中带宽的选择十分重要，它将直接影响到算法的准确性和效率。本课题拟分别拟从带宽的选择，收敛速度的提高两方面着手，提高均值漂移算法用于图像分割时的分割能力。 4. 基于轮廓波变换的聚类图像分割 在图像的获取和传输过程中，不可避免的会引入各种噪声，这时需要将噪声信息和真实信息一同处理并且在分割过程中尽量抑制噪声的影响，但是这在传统的聚类分割算法中是无法实现的。为此研究者们提出各种方案用于提高传统聚类算法的抗噪性能。大多数研究者改进传统聚类算法都是直接对时（空）域信号处理，取得了一定的效果。变换域方法是将图像信号变换到另外一个函数空间进行处理，而另外一个函数空间能够很方便的区分噪声信号和图像信号，因而变换域方法得到了快速的发展。近年来的研究证明，轮廓波变换用于图像消噪具有较强的优势，因此，本课题拟从变换域的角度改进原有的聚类分割算法, 首先在变换域使用轮廓波变换对图像进行消噪，然后再用聚类算法进行图像分割。 5. 提高各种改进算法的使用范围 上述各种改进算法的实验图像拟采用灰度图像，但是现实生活中还有大量的彩色图像、遥感图像、纹理图像等需要处理。因此在各种改进算法的基础上，本课题拟将各种算法用于不同类型的图像，以此来判断各种算法的适用范围，对现有算法进行分类，以指导用户在浩瀚的分割算法中结合问题的特定环境选择合适的分割算法。 可行性分析: 基于的聚类图像分割算法和轮廓波变换是近年来的热门研究方向，国内外有大量的学者、工程技术人员从事该方面的研究工作，这为本项目的实施创造了良好的学术交流环境。信阳师范学院对科研工作的支持力度很大，在时间、设备、人员等上都会给予支持、这对本项目的完成将起到关键的作用。 另外，本项目的申请者及项目组成员多年来一直从事图像处理方面的研究工作，对图像压缩、图像分割等图像处理技术有着较为深入的研究，积累了丰富的图像处理经验，对现有的图像处理方法较为熟悉，并且形成了初步的图像分割方案。项目组成员具有足够的专业基础、项目背景、研究能力和实践经验，可以保证项目的顺利实施。同时，课题组与国内外的同行保持了良好的合作关系，这对本项目的完成也是相当有益的。 14 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 六、项目创新点 1. 利用智能群算法全局性和鲁棒性的特点，解决传统模糊均值算法用于图像分割时初始值的设置、初始分类数需要人工确定和容易陷入局部极值的问题。 2. 采用均值漂移算法进行图像分割。均值漂移算法是一种非参数概率密度梯度估计算法。由于不需要任何先验知识，完全依靠特征空间中的样本点进行分析，近年来其被广泛应用在图像跟踪和图像分割等计算机视觉领域。但是，均值漂移算法应用于图像分割领域时，需要事先确定带宽、收敛速度较慢，而且用于分割的图像多为不含噪声的灰度图像。为此，本项目将从带宽和收敛速度两方面提高经典均值漂移算法的图像分割能力。 3. 提出基于轮廓波变换的聚类图像分割算法。由于图像分割问题的重要性，国内外学者对其展开了大量的研究，提出了各种各样不同的分割算法，并取得了较好的效果。但是以往各种各样的分割算法都是直接对空域信号进行处理。而国内外学者研究发现：使用变换域的方法对图像进行处理，图像信号和噪声信号能够更容易的被区分开来，因而使用变换域的方法进行含噪声图像分割时效果更佳。为此，本项目将从变换域的角度改进聚类图像分割算法。在使用变换域的方法时，轮廓波变换比以往效果最佳的小波变换方法效果更好，因此本项目采用基于轮廓波变换的聚类分割算法解决含噪声图像的图像分割问题。 15 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 七、申请人简历与已具备的研究基础 申请人简历： 李艳灵 1975年11月生，河南省新乡市人，博士，副教授，信阳师范学院硕士研究生导师，中国计算机学会高级会员，河南省高校科技创新人才支持计划获得者，河南省学术技术带头人，河南省青年骨干教师，信阳市优秀青年科技专家。2009毕业于华中科技大学，获工学博士学位，主要研究方向是模式识别与智能系统、数字图像处理。 已具备的研究基础： 本项目依托信阳师范学院计算机与信息技术学院，申请者近年来一直从事图像处理方面的研究。近年来参与国家自然科学基金项目1项，主持河南省科技厅重点科技攻关项目1项、河南省科技厅科技计划项目1项、河南省教育厅项目2项；发表科研论文30余篇，其中第一作者23篇，SCI、EI收录及中文核心期刊论文26篇；出版学术著作1部；获省厅级科研奖励6项。 近年来，申请者对图像分割理论和算法进行了深入地研究，并取得了一些重要的研究成果，同时也积累了大量的图像分割的经验，包括各种算法的数学模型、算法的优缺点以及熟悉了各种算法的运行条件和算法代码，这些研究成果以及积累的经验对本项目的完成是非常有益的。申请者关于本项目的相关论文发表在《soft computing》、《Journal of Systems Engineering and Electronics》、《Journal of Computational Information Systems》等期刊上，并多次担任《soft computing》、《Journal of Computational Information Systems》、《光电工程》、中国控制会议、国际神经网络会议等期刊和国际会议的审稿工作。 申请者近期发表与本项目有关的主要论文： 1. Yanling LI, Yi SHEN. An Automatic Fuzzy C-Means Algorithm for Image Segmentation. Soft Computing, 2010, 14(2): 123-128.(SCI) 2. Yanling LI, Yi SHEN. Fuzzy C-means Clustering Based on Spatial Neighborhood Information for Image Segmentation. Journal of Systems Engineering and Electronics, 2010,21(2): 323-328. (SCI) 3. Yanling LI , Gang LI. Mean shift segmentation method based on hybridized particle swarm optimization. Lecture Notes in Computer Sciences, 2010, 6064: 200-207.(EI) 16 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 4. Yanling LI , Gang LI. Fast Fuzzy c-Means Clustering Algorithm with Spatial Constraints for Image Segmentation. Adv. in Neural Network Research & Appli., LNEE 67, 2010, 431-438.(EI) 5. Yanling LI, Yi SHEN. Fuzzy C-Means Cluster Segmentation Algorithm Based on Hybridized Particle Swarm Optimization. Proceedings of 2010 IEEE Fifth International conference on Bio-Inspored Computing: Theories and Applications, 2010, 1:811-815. (EI) 6. Yanling LI , Gang LI. Fuzzy C-means Cluster Segmentation Algorithm Based on Modified Membership. Lecture Notes in Computer Sciences, 2009, 5552: 135-144.(EI) 7. Yanling LI, Yi SHEN. PSO Based Fuzzy C-Means Algorithm For Image Segmentation. Journal of Computational Information Systems, 2008, 4(5):1885-1890. (EI) 8. Yanling LI, Yi SHEN. Robust Image Segmentation Algorithm Using Fuzzy Clustering Based on Kernel-Induced Distance Measure. Computer Science and Software Engineering, 2008, 1: 1065-1068.(EI) 9. Yanling LI , Gang LI. The properties of compactly supported orthogonal matrix- valued wavelet packets. World scientific publishing Co. 2006.1：103-108.（ISTP） 10. 李艳灵. 基于混合粒子群算法的自适应均值漂移算法. 华中科技大学学报（自然科学版）2010,38(1): 47-49.（EI） 11. 李艳灵，沈轶. 基于KNN的均值漂移图像分割算法研究. 华中科技大学学报（自然科学版），2009,37(10):68-71. (EI) 12. 李艳灵，沈轶. 基于空间邻域信息的FCM图像分割算法. 华中科技大学学报（自然科学版），2009,37(6): 56-59. (EI) 13. 李艳灵. 基于轮廓波变换的滤波器消噪性能. 华中科技大学学报（自然科学版）2008,36(8): 28-30. （EI） 14. 李艳灵，孟庆伟，邬长安.基于相关性比较算法的均值漂移图像分割. 计算机应用研究，2010，27(1):342-344. （中文核心） 15. 李艳灵,李刚. 基于PSO的快速模糊C均值图像分割算法. 计算机应用研究, 2008,25(10): 3053-3055. （中文核心） 16. 李艳灵,李刚，武津刚. 基于微分进化算法的FCM图像分割算法. 数学的实践与认 17 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 识，2009,39(9): 139-143. （中文核心） 17. 李艳灵，沈轶. 基于共轭梯度法的快速mean shift 图像分割. 光电工程，2009,36(8): 94-99. （中文核心） 申请者主持及参与科研项目： 1. 基于数据驱动的优化调度理论及在多站点航运调度中的应用（60904074） 国家自 然科学基金项目（参与 第四名） 2. 基于网络融合的数字媒体管理与发布系统（102102210038） 河南省重点科技攻关项目（主持） 3. 电子商务发展趋势及对策研究（082400420160） 河南省科技计划项目（主持） 申请者科研奖励： 1. An Automatic Fuzzy C-Means Algorithm for Image Segmentation. 河南省首届自然科学优秀学术论 文奖 一等奖（第一作者）2011年9月 2. Fuzzy C-means Clustering Based on Spatial Neighborhood Information for Image Segmentation. 河南省首届自然科学优秀学术论文奖 二等奖（第一作者）2011年9月 3. 基于KNN的均值漂移图像分割算法研究. 河南省首届自然科学优秀学术论文奖 二等奖（第一作者） 2011年9月 4. 快速均值漂移图像分割算法研究.河南省首届自然科学优秀学术论文奖 一等奖（第二作者）2011年9月 5. Pso Bsaed Fuzzy C-Means Algorthm For Image Segmentation. 河南省第十届自然科学优秀学术论文奖 二等奖（第一作者）2010年4月 6. 基于轮廓波变换的滤波器消噪性能. 河南省第十届自然科学优秀学术论文奖 二等奖（第一作者）2010年4月 申请者所获人才支持计划： 1. 2010年获批“河南省高校青年骨干教师资助计划（2010GGJS-105）” 2. 2011年获批“河南省高校科技创新人才支持计划（2011HASTIT026）” 18 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 八、项目进度安排及提供成果形式 项目进度安排： 1. 2012.1-2012.12 查阅相关文献资料，收集现有各种图像分割算法，并对各种算法进行归纳整理，比较各种算法的优缺点，形成综述报告，为后续工作打好基础。 2. 2013.1-2013.12 研究经典聚类算法，根据其存在的问题提出解决办法，提出各种改进算法，解决传统聚类算法聚类分类数的设定、初始值的设置和容易陷入局部极值的问题。设计快速均值漂移算法和自适应均值漂移算法，解决传统均值漂移算法用于图像分割时收敛速度慢和需要设定固定带宽的问题。 3. 2014.1-2014.12：利用变换域方法容易去除噪声的特点，从变换域的角度研究传统聚类算法，提出基于轮廓波变换的聚类图像分割算法，提高传统聚类分割算法分割噪声图像时的分割性能。 预期研究成果： 1.提出基于智能群的聚类图像分割算法，解决传统FCM算法初始值的设置和分类数的确定问题。 2.设计快速均值漂移算法和自适应均值漂移算法，加快均值漂移算法的速度，提高该算法自适应的选择带宽的能力。 3.从变换域的角度提高传统聚类算法的抗噪性能，提出从变换域的角度提高传统聚类算法的抗噪性能。 4.在国际国内重要的期刊和国际会议上发表相关学术论文5-8篇。 5.培养硕士研究生2-3名。 19 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 九、项目经费预算（金额单位：万元） 申请教育部经费 非直属高校上级主管部门 配套经费 申请经费 项目承担单位自筹经费 其它经费 总经费 经 费 预 算 科 目 一．研究经费 1.科研业务费 （1）测试/计算/分析费 （2）能源动力费 （3）会议费/差旅费 （4）出版物/文献/信息传播费 （5）其它（请注明） 2. 实验材料费 （1）原材料/试剂/药品购置费 （2）其它（请注明） 3.仪器设备费 （1）购置 （2）试制 4.实验室改装费 5.协作费 二、国际合作经费 三、劳务费 四、其他（不含财务规定不能支出的科目） 合 计 5 0 5 2 12 总预算经费 10.7 6.5 1.5 1.5 2.0 1.5 3.5 2.5 1.0 0.7 0.7 0.8 0.5 12.0 20 其中拟申请教育部资助 5 3 1 1 1 2 1 1 5 计算依据与说明 建模、算法测试、软件开发费用 参加相关学术会议费用 论文版面费、购买资料费、信息检索费等 印刷费、资料复印费用 墨合、硒鼓、打印纸等耗材费用 试验用必要的软件费用 购置高清图像采集系统费用 支付研究生劳务费 管理费 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 21 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 十三、教育部科技司意见 负责人签章 单位公章 20 年 月 日 十四、项目申请书附件内容说明 1．项目负责人主要论文（近5年内发表的代表性论文3－5篇）的首页及发表该论文刊物封面的复印件； 2．承担省部级以上科研项目情况需提供项目批复函复印件； 3．获奖或专利情况需提供获奖或专利证书复印件； 4．已产生的经济和社会效益情况需提供相关证明材料的复印件； 5．人才计划证书复印件。 网上申报时，上述材料与申请书的其他部分需一并转换成pdf格式后方可通过教育部科技管理平台系统申报上传。 22 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 信阳师范学院李艳灵博士申请 教育部科学技术研究重点项目附件 附件目录： 1、论文1（Soft computing）刊物封面 2、论文1（Soft computing .2010, 14(2): 123-128）首页 3、论文2（Journal of Systems Engineering and Electronics）刊物封面 4、论文2（Journal of Systems Engineering and Electronics, 2010,21(2): 323-328.首页 5、论文3（Lecture Notes in Computer Sciences）刊物封面 6、论文3（Lecture Notes in Computer Sciences, 2010, 6064: 200-207首页 7、论文4（Journal of Computational Information Systems）刊物封面 8、论文4（ Journal of Computational Information Systems, 2008, 4(5):1885-1890）首页 9、论文5（华中科技大学学报（自然科学版）刊物封面 10、论文5（华中科技大学学报（自然科学版）2010,38(1): 47-49） 首页 11、科研项目复印件 12、获奖证书复印件 13、人才计划证书复印件 23 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 1、论文1（Soft computing）刊物封面 24 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 2、论文1（Soft computing .2010, 14(2): 123-128）首页 25 3、论文2（Journal of Systems Engineering and Electronics）刊物封面 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 26 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 4、论文2（Journal of Systems Engineering and Electronics） 2010,21(2): 323-328.首页 27 5、论文3（Lecture Notes in Computer Sciences）刊物封面 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 28 6、论文3（Lecture Notes in Computer Sciences）2010, 6064: 200-207教育部科学技术研究重点项目申请书 v200801 教育部学技术司 首页 29 29 7、论文4（Journal of Computational Information Systems）刊物封面 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 30 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 8、论文4（Journal of Computational Information Systems） 2008, 4(5):1885-1890首页 31 9、论文5（华中科技大学学报（自然科学版）刊物封面 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 32 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 10、论文5（华中科技大学学报（自然科学版）2010,38(1): 47-49首页 33 11、参加国家自然基金项目批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 34 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 12、参加国家自然基金项目批件 35 13、主持河南省科技计划项目批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 36 14、主持河南省科技计划项目批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 37 15、主持河南省科技计划项目批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 38 16、主持河南省科技计划项目批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 39 17、获奖证书（1） 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 40 18、获奖证书（2） 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 41 19、获奖证书（3） 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 42 20、获奖证书（4） 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 43 21、获奖证书（5） 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 44 22、获奖证书（6） 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 45 23、河南省高校青年骨干教师资助计划批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 46 24、河南省高校青年骨干教师资助计划批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 47 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 25、河南省高校科技创新人才支持计划批件 48 26、河南省高校科技创新人才支持计划批件 教育部科学技术研究重点项目申请书 v200801 教育部学技术司 49