姐姐的菊花蕾
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇姐姐的菊花蕾范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。
姐姐的菊花蕾范文第1篇
值得注意的是，訪談節(jié)目主持人尤其要善于舍棄，準(zhǔn)確地取舍，才能使主持人對節(jié)目整體感有較好的把握。上訪談節(jié)目的嘉賓大多人生閱歷豐富，所經(jīng)歷的事情故事性強(qiáng)，或者是某一個領(lǐng)域的專家、代表人物，成績顯著。主持人在面對這樣的嘉賓時往往覺得可談的東西太多，都是有價值的，哪方面都不舍得放棄，結(jié)果造成大空全而沒有突出重點。觀眾看了覺得哪兒都涉及了，但哪兒都泛泛而談，不過癮、不舒服。所以，這就需要談話類節(jié)目主持人具備一定的素質(zhì)，才能適應(yīng)不斷變化和飛速發(fā)展的談話類電視節(jié)目及觀眾的需要。
主持人應(yīng)該具備良好的“個人表述”能力
主持人在整個節(jié)目中運(yùn)用個性化的表達(dá)方式來穿針引線，也就是調(diào)動現(xiàn)場的氣氛。這一切需要主持人通過問話、接話來完成。中央電視臺節(jié)目主持人崔永元把這個環(huán)節(jié)稱為“個人表述”，而不是個人提問。他認(rèn)為作為談話節(jié)目主持人，表達(dá)個人想法的任務(wù)，在他身上不應(yīng)該體現(xiàn)得那么嚴(yán)重，用不著把它當(dāng)回事，這是自然而然的。在崔永元的節(jié)目中，不都是問話，會有很多種方式，有問句，有肯定的應(yīng)答，也有否定句。否定句有時會產(chǎn)生意想不到的結(jié)果，這一切最終取決于主持人的人格魅力。主持人在遇到被訪者滔滔不絕的情況時，喜歡所謂“巧妙”地打斷對方，以使其談話更適合節(jié)目要求。但崔永元卻會這么做：在《實話實說》節(jié)目每次開錄之前，他都會和現(xiàn)場觀眾做個約定，觀眾可通過崔永元拿話筒的手來決定說話的長短――當(dāng)他一只手輕松地拿著話筒的時候，你可以盡情地說；當(dāng)手有點抖動的時候，你就應(yīng)該注意趕緊結(jié)尾了；如果他雙拳抱握話筒，似乎在討?zhàn)埖脑?，你就趕緊剎車，否則他就會扭頭就走了。談話節(jié)目主持人在節(jié)目中不應(yīng)只是“主持人本我、自我的表現(xiàn)，更應(yīng)是從‘自我’分化、提升而來的‘道德化了的自我’，是對‘自我’的提升和超越，是人格形成的最文明的部分”。
談話節(jié)目的嘉賓通常是專家，是新聞事件的知情人或者積極的旁觀者，嘉賓的發(fā)言更具有權(quán)威價值，觀眾更想知道的是他們的看法。主持人的著力點在“問”，而嘉賓的責(zé)任在“談”。觀眾關(guān)心的是主持人今天是否能問我心中之問，解我心頭之疑；嘉賓是否能答疑解惑，是否能表達(dá)到位，是否能坦誠相對。在談話節(jié)目中，主持人是現(xiàn)場的中心，但并非主角。他只起引導(dǎo)和貫穿的作用，嘉賓和現(xiàn)場觀眾才是談話節(jié)目真正的主角。一些優(yōu)秀的主持人深諳此道。央視主持人張越說：“電視節(jié)目里，嘉賓才是主角，主持人不應(yīng)該總是顯擺自己，應(yīng)該是保護(hù)嘉賓，和他溝通，讓他打開自己，最重要的是袒露自己?！辈芸煞惨舱J(rèn)為，主持人應(yīng)該甘當(dāng)配角。明確了自我定位，主持人才能舍棄過分的自我表現(xiàn)意識，真正尊重和平等對待嘉賓和現(xiàn)場觀眾，充分調(diào)動和激發(fā)每一個參與者的談話熱情，讓他們酣暢淋漓地表達(dá)自己的思想和意愿。談話節(jié)目中，主持人能說會道雖然很重要，但是“說”要說到點子上，“說”要說得精練和恰當(dāng)。所以說，在談話類節(jié)目中，主持人“個人表述”能力的體現(xiàn)，是建立在充分發(fā)揮嘉賓個人表述和現(xiàn)場觀眾參與基礎(chǔ)之上的。
主持人應(yīng)具備良好的“傾聽”能力
傾聽對于訪談節(jié)目主持人的重要意義，正如美國著名的人際關(guān)系學(xué)大師卡耐基所言，傾聽是一種無言的信任。注意傾聽別人，就等于表示自己愿意接納別人，承認(rèn)和重視別人。有效的溝通屬于真正的聆聽。而要做到善于傾聽，具備傾聽的能力，就一定要擯棄主持人慣有的矯揉造作、嘩眾取寵和自我表現(xiàn)意識過強(qiáng)的做法。培養(yǎng)沉靜內(nèi)斂、兼收并蓄、放松自然的親和力，才能讓嘉賓和觀眾愿意對你說、想對你說。
在談話節(jié)目中，主持人是作為一個傾聽者、一個組織者的身份出現(xiàn)，調(diào)動現(xiàn)場氣氛，控制話題的行進(jìn)方向。主持人首先應(yīng)該是一個能傾聽并善于傾聽的人。在現(xiàn)場，更多的時候是怎么能鼓動起談話對象、嘉賓和觀眾，讓他們暢所欲言，當(dāng)營造出這個環(huán)境以后，主持人的傾聽就顯得特別重要，因為談話者都希望得到尊重。
傾聽是一種態(tài)度，是對談話參與者的尊重，是對其陳述的鼓勵。因為主持人面對的是有血有肉、有思想有情感的人，當(dāng)主持人認(rèn)真傾聽時，他傳達(dá)的是主持人及他代表的觀眾的真誠、善意和期待。談話參與者感受到主持人的尊重，他才會把主持人視為朋友，尋求趨同、理解和心里滿足，產(chǎn)生一吐為快的傾訴欲望。傾聽，能夠起到“此時無聲勝有聲”的神奇效果。傾聽也是一種手段，是主持人獲取新信息的重要途徑。由于談話節(jié)目的隨機(jī)和即興的特點，它不可能像其他類型的節(jié)目那樣，可以完全按照制作者的安排進(jìn)行，總會有些出人意料的細(xì)節(jié)發(fā)生，在現(xiàn)場交流碰撞中產(chǎn)生的奇思妙想和連珠妙語，更是事先不可能預(yù)計到的。而這些正是談話節(jié)目的精彩所在，是最能吸引觀眾的地方。善于傾聽的主持人能敏銳地從中捕捉到有用的信息，隨機(jī)應(yīng)變，找到新的交談話題，把節(jié)目內(nèi)容延續(xù)和深化下去，引起大家思想上的共鳴和交鋒。
主持人應(yīng)具有親和力和真誠的交流能力
作為傳媒與觀眾之間紐帶的主持人，能否給予觀眾“真”的形象，是能否打動觀眾的關(guān)鍵。主持人崔永元在總結(jié)經(jīng)驗時說，主持的技巧最主要的就是真誠。敬一丹也曾說，即使是孩子，也要真誠地面對?！洱R魯開講》的主持人武大海說：“有時候在節(jié)目之前的溝通中，有的嘉賓會表示他們今天來，就是為了大家一起把這臺戲演好?！彼犃酥筇貏e不舒服，總是糾正說：“咱們今天就是聊天，和平常一樣，千萬別當(dāng)成演戲。主持不等于表演，觀眾是非常敏銳的，如果你在表演的話，他們會很反感，會本能地排斥?！闭勗捁?jié)目中，主持人自身應(yīng)處在一個真誠的狀態(tài)，從而感染其他談話參與者，得到更為真誠的回應(yīng)。正如竇文濤所說：“我口述我心”，“真聽、真看、真感覺”，“你要說這件事，你要先感動你自己，你要講這個笑話首先自己先覺得好笑”。真誠與否，直接影響到主持人在觀眾心目中的地位，更關(guān)系到嘉賓及現(xiàn)場觀眾的發(fā)揮情況，因而也會影響到整個談話節(jié)目的質(zhì)量。
作為一名電視談話節(jié)目的主持人，需要和嘉賓在節(jié)目中進(jìn)行交流，通過提問去引導(dǎo)嘉賓面對鏡頭，說出他自己的觀點和想法。在這種交談中，真誠地傾聽就顯得非常重要。首先，主持人應(yīng)真誠、用心地傾聽嘉賓說話，讓嘉賓在心理上愿意靠近主持人，縮短和主持人之間的距離，也就更容易說出心里的話；其次，主持人在提出問題后，認(rèn)真傾聽嘉賓的回答，從嘉賓的回答中捕捉更多新的信息，并利用這些捕捉到的信息更好地將談話的主題引向深處。人際傳播具有信息交流的雙向性質(zhì)，主持人還需要和嘉賓對話，進(jìn)行溝通，演繹一個對話者的角色。主持人在傾聽之后，需要對嘉賓做出回應(yīng)，這種回應(yīng)包括語言上和眼神上兩方面的內(nèi)容，其表現(xiàn)都應(yīng)該是真實、真誠的。
主持人應(yīng)具備良好的心態(tài)和談話技巧
主持人的心態(tài)與技巧對談話氣氛的營造、交流溝通的完成起著舉足輕重的作用。談話節(jié)目主持人應(yīng)學(xué)會處理四種關(guān)系，即主與賓、聽與說、真與秀和內(nèi)與外的關(guān)系。電視談話節(jié)目是由主持人邀請嘉賓（含觀眾）圍繞公眾普遍關(guān)注的重要話題，在平等、真誠、和諧的氛圍中展開討論的群言式電視言論節(jié)目?，F(xiàn)場人員一般由主持人、嘉賓和觀眾構(gòu)成。在節(jié)目整體來看，不論每期節(jié)目內(nèi)容如何，在一個相對固定的時間里，節(jié)目的主持人是不變的，所以從表面上看，談話節(jié)目的主角是主持人。其實，主持人是場外觀眾的代言人，是“幕后”制片人、策劃人、編導(dǎo)等欄目所有人員的創(chuàng)意的實踐者。在整個談話節(jié)目敘述中，他的思維活動不完全是個人化的，一方面要時刻考慮觀眾的所思所想，代替場外的觀眾與嘉賓進(jìn)行提問、質(zhì)疑、溝通、交流；另一方面作為欄目的代表，按照節(jié)目的設(shè)計程序展開話題，組織嘉賓和觀眾進(jìn)行討論，把握和引領(lǐng)節(jié)目的進(jìn)程。
主持人在節(jié)目中要善于營造一種“客廳氛圍”，讓嘉賓走進(jìn)我們的客廳，主持人就是我們這個客廳的主人。談話節(jié)目主持人是公眾人物，是媒體形象，在鏡頭前的一舉一動、一言一行都需要高度嚴(yán)謹(jǐn)。主持人既要尊重嘉賓的話語權(quán)和觀眾的知情權(quán)，又要有自己的思想觀點、有自己獨(dú)特的分析判斷、有嚴(yán)謹(jǐn)?shù)目偨Y(jié)問題的能力。同時，還要學(xué)會處理好各方面的關(guān)系，起到政府的“減壓閥”和百姓的“減震器”的作用，僅僅當(dāng)一個代言人和串聯(lián)人的角色是不夠的，只有在節(jié)目中不斷完善自己，不斷提高方方面面的能力和素質(zhì)，才能做一名合格的談話節(jié)目主持人。
參考文獻(xiàn)：
1.苗棣、王怡林：《脫口成“秀”――電視談話節(jié)目的理念與技巧》，中國廣播電視出版社，2006年版。
2.翁佳：《名牌電視訪談節(jié)目研究報告》，中國經(jīng)濟(jì)出版社，2006年版。
3.古宇薇、陳坤：《談話節(jié)目主持人的核心作用》，《今傳媒》，2008（2）。
4.尚曉常：《電視訪談節(jié)目中主持人作用的發(fā)揮》，《廣西社會科學(xué)》，2008（8）。
5.蔡輝：《談話需要牽引 牽引為了傳播――談話節(jié)目中主持人牽引力的重要性及其把握》，《聲屏世界》，2008（2）。
姐姐的菊花蕾范文第2篇
摘 要:為提升K均值聚類的效率及圖像分割效果，提出了一種不完全K均值聚類與分類優(yōu)化結(jié)合的圖像分割(IKCO)算法。首先，采用簡單的方法來進(jìn)行數(shù)據(jù)精簡及初始中心的確定；然后，根據(jù)給出的不完全聚類準(zhǔn)則對圖像進(jìn)行聚類分割；最后，對分割結(jié)果進(jìn)行分類優(yōu)化以提升分割效果。實驗結(jié)果表明，相對于傳統(tǒng)的K均值聚類方法，IKCO算法在進(jìn)行圖像分割時具有很好的分割效率，且分割效果與人類視覺感知具有更高的一致性。
關(guān)鍵詞:圖像分割；不完全K均值聚類；分類優(yōu)化
中圖分類號: TP391.413 文獻(xiàn)標(biāo)志碼: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
圖像分割是將圖像分成各具特性的區(qū)域并提取出感興趣的目標(biāo)的技術(shù)和過程。它是圖像處理到圖像分析的重要環(huán)節(jié)。目前基于彩色圖像的分割方法［1］大致有基于閾值的方法、基于模板匹配的方法、基于區(qū)域生長的方法以及基于邊緣檢測和基于聚類的方法等。
而在圖像分割的眾多方法中，K均值聚類由于其簡單性與高效性而被廣泛應(yīng)用于圖像分割。K均值聚類的主要思想是通過聚類使得類內(nèi)差異漸小、類間差異漸大從而得到一個好的聚類,進(jìn)而實現(xiàn)圖像在某種意義上的分割。K均值聚類雖然有著簡單、高效等優(yōu)點，但由于其對初始聚類中心較為依賴且用K均值聚類實現(xiàn)圖像分割時很少利用到圖像的空間信息，使得在用K均值聚類實現(xiàn)圖像分割時，往往會出現(xiàn)聚類效果不穩(wěn)定、過分割等問題。
為提升傳統(tǒng)K均值聚類的聚類效率及分割效果，本文對傳統(tǒng)的K均值聚類算法進(jìn)行改進(jìn)，并結(jié)合分類優(yōu)化方法提出一種不完全K均值聚類與分類優(yōu)化(Incomplete K-means and Category Optimization, IKCO)算法來處理彩色圖像的分割問題。本文的IKCO算法首先采用簡單的方法來進(jìn)行數(shù)據(jù)精簡及初始中心確定；然后對精簡后的樣本進(jìn)行不完全K均值聚類；最后再利用設(shè)計的分類優(yōu)化方法對分類結(jié)果進(jìn)行優(yōu)化。
1 傳統(tǒng)K均值聚類算法
K均值聚類算法是一種需要事先確定其聚類數(shù)目K的無監(jiān)督聚類算法，在理論上具有高可靠性，同時應(yīng)用起來收斂速度快，局部搜索能力強(qiáng)。因此，K均值聚類算法是圖像分割中應(yīng)用較多的一種算法。K均值聚類算法的主要思想是嘗試將n個樣本劃分到K個類中，且盡可能使這K個類具有較小的類內(nèi)差異和較大的類間差異。若設(shè)其準(zhǔn)則函數(shù)如式(1)所示：
J=∑ki=1Ji=∑ki=1∑x=xix－xi2(1)
其中xi表示第i個類的中心。則其主要步驟可如下所示。
步驟1 從n個數(shù)據(jù)樣本中通過某種策略選出k個樣本作為初始聚類中心。
步驟2 計算各個樣本與每個聚類中心的差異，根據(jù)某種原則將其劃分到合適的聚類中。
步驟3 重新計算各個聚類中心，并根據(jù)式(1)計算出新的J值，記為Jt+1。
步驟4 若Jt+1－Jt≤ε則迭代停止，ε為迭代停止條件；否則轉(zhuǎn)到步驟2繼續(xù)迭代。
2 IKCO算法
本文提出的IKCO算法對傳統(tǒng)的K均值聚類算法提出以下幾方面的改進(jìn)：首先，采用樣本空間精簡的方法來減少單次迭代的耗時;其次，采用一種簡單的方法來確定初始聚類中心;另提出一種不完全聚類方法來進(jìn)一步改進(jìn)聚類的效率;最后，給出一種分類優(yōu)化方法來對聚類結(jié)果進(jìn)行優(yōu)化，以剔除聚類結(jié)果中的一些小區(qū)域。算法的具體流程如圖1所示。
在本文算法開始前，還需要對圖像進(jìn)行特征提取工作。由于主要只采用圖像的色彩信息，因此對每個像素xi其特征向量為其在HSV色彩空間中的各分量構(gòu)成：Vxi={hxi,sxi,vxi}。
設(shè)待聚類的特征向量集合為{V1,V2,…,VN}，其中N為像素總數(shù)，聚類數(shù)為K。
本文所采用的距離度量方式是在歐氏距離的基礎(chǔ)上對各分量進(jìn)行了加權(quán)，如式(2)所示：
d(Vi,Vj)=k1•hi－h(huán)j2+k2•si－sj2+k3•vi－vj2（2）
其中k1,k2,k3為對特征向量中各分量的加權(quán)值。
2.1 縮小樣本空間
目前主要的樣本精簡策略有兩種：一種是基于圖像像素［2］的，即對圖像進(jìn)行分塊，用塊的均值或中值來作為新的樣本。若分塊大小為2×2，則分塊的樣本空間大小將變?yōu)樵瓉淼?/4。另一種是基于圖像特征［3］的，即將具有相同特征的樣本（像素）歸為一類。本文的樣本精簡策略是在第二種方法基礎(chǔ)上改進(jìn)得來，即先對特征空間進(jìn)行分塊，再將像素基于其特征劃分到分塊后單元格中,并用單元格的值來體現(xiàn)具有此類特征的像素的個數(shù)。相對于傳統(tǒng)K均值聚類過程中對所有樣本進(jìn)行處理，此算法能較大地提高聚類效率，算法描述如算法1所示。
算法1 樣本空間精簡。
程序前
輸入 SM×N={si, j|1≤i≤M,1≤j≤N}為M×N大小的圖像像素集合；
分塊大小q×q×q; q為已確定常數(shù)。
輸出 ZHn×Sn×Vn={zh,s,v|0≤h≤Hn,0≤s≤Sn,0≤v≤Vn}；Hn,Sn,Vn為各特征的個數(shù)，ZHn×Sn×Vn為分塊后的特征空間。
Begin
for 對zh,s,v∈ZHn×Sn×Vn，Vh,s,v表示該單元格的值
Vh,s,v0;
for 對xi, j∈SM×N，Hx,Sx,Vx為其特征 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 聚類中心確定
在目前的研究成果中針對K均值聚類中心選擇的優(yōu)化的方法有很多，且這些方法在處理某些圖像分割問題時取得了較好的效果。這些方法主要有基于分裂式的方法（LINDE-BUZO-GRAY, LBG）［4］、基于最大最小距離（Minmax, MMX）［5］、基于密度的方法（Density-based, DEN）［6］、基于子集最遠(yuǎn)優(yōu)先（Subset Farthest First, SFF）［7］等。本文給出的確定初始中心的方法在之前的樣本精簡基礎(chǔ)上對最大最小距離方法引入密度來作為度量，最初的k個聚類中心選擇樣本密度最高的k個特征樣本，然后迭代確定初始聚類中心，具體算法描述如算法2所示。
算法2 初始中心確定。
程序前
輸入 ZHn×Sn×Vn為精簡后的樣本空間，最大迭代次數(shù)I。
輸出 C={c1,c2,…,ck},k個聚類中心。這個逗號分隔得是否正確，請明確。
begin
Vv表示ZHn×Sn×Vn中樣本v的值;
選取ZHn×Sn×Vn中k個Vv較大的樣本作為k個初始中心賦予集合C中;
r0
while r≤I或者前一次迭代k個中心均無變化 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//引入密度來進(jìn)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 不完全聚類
傳統(tǒng)的K均值聚類方法在聚類過程中總是會計算樣本與每個聚類中心的距離。而對于大多數(shù)樣本其歸屬是極為明顯的，可以通過一種方法來快速得到它的所屬類，從而避免計算其與每個聚類中心的距離，進(jìn)而縮小聚類時間。本文提出的算法給出了一種方法來將聚類中心附近的樣本快速歸于此聚類中。其主要思想是從聚類中心出發(fā)，將聚類中心的R鄰域本文中的“領(lǐng)域”，是否應(yīng)該為“鄰域”？請明確。內(nèi)的樣本歸于其所屬類中，而對于未出現(xiàn)在任何聚類中心鄰域內(nèi)的樣本和同時出現(xiàn)在多個聚類中心鄰域內(nèi)的樣本將其設(shè)為待定，待迭代至聚類中心不再變化時，再將其歸于最近的類中。
在給出具體算法描述前，先給出以下定義。
定義1 （（q,R）-鄰域）假定q為m維空間Z={z1,z2,…,zm}中某個點，S為一個m維方體，V為一個多維區(qū)域，若滿足以下條件:
1)q為S的中心；
2)R為一正整數(shù)；
3)S在第i維屬性上的取值區(qū)域為［q［i］－R,q［i］+R］；
4)V為S中不包含q的非空單元格。
則稱V為q的（q,R）-鄰域，用T(q,R)表示。
這樣對于樣本x若其位于聚類中心ci的R鄰域內(nèi)，即x∈T(ci,R)，則將其歸于以ci為中心的類中。鄰域大小R值的確定將成為影響聚類效果的重要因素。理想的R值應(yīng)使盡可能多的樣本能夠劃分到聚類中，而盡可能少的樣本被標(biāo)記為待定。而理想的鄰域半徑的R值的確定計算是非常復(fù)雜的,因此本文提出了3種近似方法來確定鄰域大小R。若設(shè)第i次聚類時，其聚類中心為Φi={φi1,φi2,…,φik}，第j個聚類中心的聚類半徑為Ri, j，則3種方法Ri, j值的計算公式如下。
1）鄰接最小距離：
Ri, j=12•min(φim－φij2); 1≤m, j≤k,m≠j（3）
2）鄰接均值：
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種確定鄰域半徑R的方法不同的情況下有不同的效果，而本文中經(jīng)過對多個圖像進(jìn)行多次實驗采用了式（4）的方法來得到R值。
不完全聚類的具體算法描述如算法3。
算法3 不完全聚類。
程序前
輸入 C0={c1,c2,…,ck}，k個初始聚類中心,ZHn×Sn×Vn為精簡后的樣本空間。
輸出 S={s1,s2,…,sk},k個分類結(jié)果。
begin
j0
Repeat
對Z中的所有非空單元格初始化為待定狀態(tài)0;
根據(jù)式（4）計算Ri, j的值;
For ci∈C(j) do
v表示屬于Z中的非空樣本;
if v∈T(ci,Ri, j)且v位于待定狀態(tài)0
//將v歸于以ci為中心的類中
siv
else if v∈T(ci,Ri, j)且v不位于任何待定狀態(tài)
將v從之前劃分到的類中剔除出來歸于待定狀態(tài)1;
end;
jj+1;
//根據(jù)前面的分類重新計算聚類中心
for z∈［1,k］ do
cjz=∑v∈sznv•v∑v∈sznv
until 所有k個類不再變化;
對v∈Z且v位于任何一種待定狀態(tài)
//將v歸于距離最近的類中
zΠk這個是累積符號嗎？還是一個變量，請明確。{arg mink∈{1,2,…,k}v－ck2}
szv
返回k個聚類{s1,s2,…,sk}
end
程序后
2.4 聚類優(yōu)化
利用以上不完全K均值聚類方法進(jìn)行圖像分割，由于并沒有利用位于幾個聚類交界處及位于整個樣本空間邊緣的一些樣本，且聚類過程是基于特征的，完全忽略了圖像的空間信息，使得聚類結(jié)果中出現(xiàn)了很多小區(qū)域。因此本文提出了一種對分類結(jié)果進(jìn)行優(yōu)化的方法，這種方法一定程度結(jié)合了區(qū)域信息，對聚類分割所產(chǎn)生的小區(qū)域進(jìn)行了剔除，有較好的處理效果。其主要思想是用哈希的方法統(tǒng)計樣本x的R×R鄰域內(nèi)屬于各類的樣本個數(shù)如圖2所示，再將屬于x所屬類的樣本個數(shù)與一個閾值比較，若大于則不做任何操作；否則將樣本x歸于鄰域類樣本所屬類最多的類中，其算法描述如算法4所示。
算法4 聚類優(yōu)化。
程序前
輸入 SM×N={si, j|1≤i≤M,1≤j≤N}，表示M×N大小的圖像像素集合；
LHn×Sn×Vn={lh,s,v|0≤h≤Hn,0≤s≤Sn,0≤v≤Vn}不完全聚類后的分類結(jié)果；
lh,s,v的值表示具有特征h,s,v的樣本所屬的類；
分塊大小q×q×q; q為已確定常數(shù)。
輸出 UM×N={ui, j|1≤i≤M,1≤j≤N}，表示M×N大小圖像各個像素所屬類的標(biāo)記。
Begin//先用LHn×Sn×Vn對UM×N進(jìn)行初始標(biāo)記
for 對xi, j∈SM×N，Hx,Sx,Vx為其特征 do
h=Hx/q;s=Sx/q;v=Vx/q;
ui, jlh,s,v
end
//統(tǒng)計x的R×R鄰域內(nèi)屬于各類的像素個數(shù),Γ(x,R)表示x//的R×R鄰域
for 對xi, j∈SM×N do
for xt,k∈Γ(xi, j,R) do
m［ut,k］++;
end;
//若鄰域內(nèi)像素屬于x所屬類的個數(shù)小于閾值T,則將//ui, j標(biāo)記為鄰域類像素屬于最多的類中
if m［ui, j］
ui, jΠut,k這個也是同樣的問題，請明確是變量，還是累積符號？max(m［ut,k］)
end;
返回UM×N;
end;
程序后
算法4所描述的聚類優(yōu)化算法，由于整個優(yōu)化過程是基于分類結(jié)果的遍歷，在單步操作中只是對預(yù)先設(shè)定好的鄰域類的所屬類進(jìn)行了統(tǒng)計，因此整個聚類優(yōu)化算法的復(fù)雜度接近O(n)。相對于其他的一些較為復(fù)雜的聚類優(yōu)化算法，此算法能夠較大地提高聚類優(yōu)化的效率。另從圖3中不同閾值的優(yōu)化結(jié)果與未經(jīng)過優(yōu)化的結(jié)果進(jìn)行對比，可知算法4描述的聚類優(yōu)化方法優(yōu)化效果也是比較良好的。
此外，在這種聚類優(yōu)化方法中，需要先確定兩個參數(shù)即鄰域的大小和閾值的大小。對于鄰域大小的確定需要根據(jù)圖片的大小即對優(yōu)化效果的要求進(jìn)行調(diào)整，而閾值的選取需要在鄰域確定后根據(jù)的對處理效果的要求來決定。本文經(jīng)過多次實驗針對194×128的圖片選取了9×9大小的鄰域。而在選取閾值時需綜合考慮對小區(qū)域的處理結(jié)果和對邊緣特征的影響大小來決定。如圖3所示，顯示了不同的閾值對處理結(jié)果的影響。經(jīng)過對多幅圖片進(jìn)行實驗，結(jié)合對處理效果的要求，本文選取的實驗時閾值大小為30。
3 實驗結(jié)果
3.1 定性分析
目前對于圖像分割結(jié)果好壞的評價準(zhǔn)則一般是將其與人類視覺的感知進(jìn)行比較，即由人眼主觀判斷得到。為確定本文所設(shè)計的IKCO算法的有效性，實驗通過采用Berkely圖像數(shù)據(jù)庫［8］中的圖像進(jìn)行了實驗,作為比較同時列出了傳統(tǒng)K均值聚類,K均值聚類與區(qū)域合并結(jié)合(K-Means and Region Merging, KMRM)算法的處理結(jié)果，以及本文的IKCO算法過程中部分階段的得到的結(jié)果及最終結(jié)果。實驗環(huán)境為AMD 64，CPU 2.64GHz,1GB內(nèi)存。以下給出3組實驗結(jié)果。
在圖4~6所示的圖像分割結(jié)果中，圖4(a)、圖5(a)、圖6(a)為原圖，圖4(b)、圖5(b)、圖6(b)為傳統(tǒng)的k均值聚類的分割結(jié)果，圖4(c)、圖5(c)、圖6(c)為本文IKCO算法的不完全聚類部分的結(jié)果，圖4(d)、圖5(d)、圖6(d)為KMRM算法的處理結(jié)果，圖4(e)、圖5(e)、圖6(e)為本文IKCO算法所得到的處理結(jié)果。從圖4(b)、圖5(b)、圖6(b)中可以看出傳統(tǒng)K均值聚類所得到的圖像分割結(jié)果效果極差，而圖4(c)、圖5(c)、圖6(c)表明本文給出的不完全聚類方法在加權(quán)的距離度量方法下得到的處理結(jié)果已經(jīng)很好，只是存在一些孤立的小區(qū)域，而本文IKCO所得到的圖像分割結(jié)果即圖4(e)、圖5(e)、圖6(e)已經(jīng)與人眼分割結(jié)果極
為接近。而從圖4(d)、圖5(d)、圖6(d)與圖4(e)、圖5(e)、圖6(e)的對比可知，本文方法與KMRM算法分割效果較為相似，都與人類視覺感知很接近，但從圖片1,2的結(jié)果對比可更為明顯看出一些情況下本文IKCO算法優(yōu)于KMRM算法。表1給出了圖4~6分割時所采用的相關(guān)參數(shù)和分類數(shù)，其中：k1,k2,k3分別為距離度量時各色彩分量的加權(quán)因子,hs,hr為KMRM算法中的兩帶寬參數(shù)。另本文IKCO算法所采用的迭代停止條件取10－5。
3.2 定量分析
為了定量地評價本文所給出的方法，采用了大多數(shù)文獻(xiàn)所采用的分割評價準(zhǔn)則，即分割準(zhǔn)確度（Segmentation Accuracy, SA）（如式（6）），來對算法的處理效果及性能進(jìn)行衡量。表2中的數(shù)據(jù)即為本文IKCO算法與快速FCM［9］、Jseg［10］GrabCut［11］和N-Cut［12］幾種算法在圖4~6中的三組圖像的處理效果和性能上統(tǒng)計的平均值。從表2分析可以得出本文IKCO算法在分割結(jié)果上處理效果居中，比不上Jseg及GrabCut算法，但也相差不大，但運(yùn)行時間上相對于這兩種方法有較大降低。另從表2可看出，本文IKCO算法相對于快速FCM和N-Cut方法運(yùn)行時間及處理效果都有較好的改善。
SA=NCorrect/NTotal（6）
另為進(jìn)一步驗證本文IKCO算法所做的工作，即對傳統(tǒng)K均值聚類的改進(jìn)和聚類優(yōu)化的價值，本文通過與KMRM算法在聚類時間和聚類優(yōu)化時間上分別進(jìn)行比較，來突出本文IKCO算法的可利用性。表3給出了KMRM算法與本文算法在圖4~6中各自的聚類時間，及對聚類結(jié)果優(yōu)化處理的耗時。從表3中兩算法的“聚類時間”一列可以看出，本文所給出的IKCO算法在聚類時間上相對于KMRM算法有大幅度的降低。另由于KMRM算法中的區(qū)域合并實質(zhì)上也是對聚類結(jié)果的優(yōu)化，因此從表3中的（KMRM）的“區(qū)域合并時間”一列與本文的IKCO算法的“分類優(yōu)化時間此列與表3中的那一列名稱不一致，請統(tǒng)一用同一個名稱。”一列的對比可看出本文算法所設(shè)計的聚類優(yōu)化方法在性能上相對于區(qū)域合并的聚類優(yōu)化方法有著很大的優(yōu)勢。綜合以上情況可知本文IKCO算法在一些情況下在聚類時間及聚類優(yōu)化時間上均優(yōu)于K均值聚類與區(qū)域合并結(jié)合的算法，存在一定的價值。
4 結(jié)語
實驗結(jié)果表明，本文提出的基于不完全K-means聚類與分類優(yōu)化結(jié)合的方法(IKCO)，在處理大部分圖像分割的問題時能得到較好的分割效率及處理效果。且通過對本文IKCO算法與其他幾種常見的圖像分割算法在處理效果和分割效率上進(jìn)行比較，表明本文方法是存在較大的價值。當(dāng)然本文提出的方法在一定程度上存在局限性，在不完全聚類過程中，由于只利用了部分樣本進(jìn)行聚類迭代，若整個樣本空間中樣本非常分散，則聚類效果將變得不理想。本文給出的分類優(yōu)化方法在對進(jìn)行分類優(yōu)化時若圖像中存在較小或較細(xì)的對象，則會將其完全覆蓋。這兩個問題的解決將成為下一步的研究重點。
參考文獻(xiàn):
[1]
林開顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述［J］.中國圖象圖形學(xué)報,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]
孫藝峰,王向陽,王春花.一種新的快速模糊C均值聚類圖像分割算法［J］.小型微型計算機(jī)系統(tǒng).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。
基金項目:
國家863計劃項目(2006AA12A104)這個基金項目是否已經(jīng)結(jié)題，請明確。未結(jié)題。
