[發明專利]基于MOD字典學習采樣的譜聚類圖像分割方法

有效

• 申請號: 201110346656.5
• 申請日: 2011-11-04
• 公開（公告）號: CN102436645A
• 公開（公告）日: 2012-05-02
• 發明（設計）人: 緱水平;焦李成;楊靜瑜;張向榮;李陽陽;趙一帆;楊淑媛;莊廣安
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/66
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于MOD字典學習采樣的譜聚類圖像分割方法，包括如下步驟：

(1)使用灰度共生矩陣對待分割的圖像進行特征提取，并將提取的特征數據歸一化到[0，1]之間，以去除數據間量級的影響；

(2)用MOD字典方法對歸一化后的特征數據集X＝{x₁，…，x_i，…，x_n}(i＝1，...，n)進行學習，得到字典D＝{d₁，…，d_j，…，d_m}，j＝1，...，m，且m＜＝n，d_j為字典中的原子，m為字典原子數，取300；

(3)計算特征數據與字典原子的歐氏距離，從X′中取距離較小的前l(l≤n，l取300)個數據構成采樣子集S_p；

(4)利用?方法，從選出的采樣子集S得到所有特征數據的特征向量；

(5)對前k個特征值對應的特征向量進行k-means聚類，得到最終的圖像分割結果，其中k是類別數，k≥1且為整數。

2.根據權利要求1所述的基于MOD字典學習采樣的譜聚類圖像分割方法，其中步驟(2)所述的用MOD字典學習方法對歸一化后的特征數據進行學習，得到字典，按照如下步驟進行：

(2a)隨機選取m個特征數據作為初始字典原子，構成初始字典D＝(d₁，…，d_j，…，d_m)，j＝1，...，m，其中字典原子d_j∈R^t×1，t是每個特征數據x_i的維數，m取300；

(2b)根據已有字典D，利用正交匹配追蹤算法對特征數據X的第i個特征數據x_i進行稀疏編碼，獲得稀疏表示系數向量α_i：

s.t.||α_i||₀＜L

其中L為編碼的稀疏度，L取4；

(2c)對n個特征數據都進行稀疏編碼，將得到的n個稀疏表示系數向量作為列向量構成稀疏表示系數矩陣A＝{α₁，...，α_i，...，α_n}，i＝1，...，n，α_i是第i個特征數據x_i在字典D上的稀疏表示系數向量；?

(2d)根據字典D和稀疏表示系數矩陣A，利用最小二乘法求解目標函數?把得到的最優解作為新的字典D′；

(2e)用D′更新D，重復執行步驟(2b)、步驟(2c)和步驟(2d)N次，得到最終的字典D″，N取25。

3.根據權利要求1所述的基于MOD字典學習的譜聚類圖像分割方法，其中步驟(2)所述的計算特征數據與字典原子的歐氏距離，并取距離較小的前l個數據構造采樣子集S，按照如下步驟進行：

(3a)根據下式計算第j個字典原子d_j與第i個特征數據x_i的歐氏距離w_ji：

w_ji＝||d_j-x_i||，j＝1，...，m，i＝1，...，n

將n個特征數據分別與第j個字典原子d_j的歐氏距離構成第j個字典原子d_j的距離向量：w_j＝{w_i1，...，w_ji，...，w_jn}，i＝1，...，n；

(3b)比較全部字典原子的距離向量w_j(j＝1，...，m)的值，把歐氏距離較小的前l個w_ji對應的第i個特征數據x′_i作為采樣點，并去掉重復特征數據，得到規模為300的采樣子集S。

4.根據權利要求1所述的基于MOD字典學習的譜聚類圖像分割方法，其中步驟(4)所述的利用?方法，從選出的采樣子集S得到所有特征數據的特征向量，按照如下步驟進行：

(4a)計算采樣子集S的權值矩陣W＝G(S，S)，其中n為特征數據個數，G()為高斯核函數；

(4b)對權值矩陣W進行特征分解，求出特征值λ＝{λ₁，...，λ_i，...，λ_l}和特征向量?其中λ_i是λ的第i個元素，?是?的第i列向量，i＝1，2，...，l；

(4c)由W的特征值λ和特征向量?根據下式計算得到φ的第j個列向量?

將n個列向量構成所有特征數據的特征向量：?