[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

技術領域

本發明屬于圖像處理技術領域，涉及圖像分割，可用于對紋理圖像和SAR圖像進行目標檢測和目標識別。

背景技術

聚類就是按照一定的要求和規律對事物進行區分和分類的過程，在這一過程中沒有任何關于類別的先驗知識，僅靠事物間的相似性作為類屬劃分的準則，因此屬于無監督分類的范疇。聚類分析則是指用數學的方法研究和處理給定對象的分類，是多元統計分析的一種，也是無監督模式識別的一個重要分支。它把一個沒有類別標記的樣本集按某種準則劃分成若干個子集，使相似的樣本盡可能歸為一類，而不相似的樣本盡量劃分到不同的類中。作為一種無監督分類方法，聚類分析已經被廣泛地應用于模式識別、數據挖掘、計算機視覺和模糊控制等許多領域。但傳統的聚類算法，如k-means算法，EM算法等都是建立在凸球形的樣本空間上，但當樣本空間不為凸時，算法會陷入局部最優。

譜聚類方法是一種建立在譜圖理論基礎之上，利用數據相似性矩陣的特征向量進行聚類的方法。譜聚類方法實現簡單，與維數無關，能在任意形狀的樣本空間上聚類并收斂于全局最優解，因此得到了越來越廣泛的應用。目前譜聚類方法已被成功應用于語音識別、視頻分割、圖像分割、VLSI設計和網頁劃分等領域。但是，譜聚類方法需要計算一個n×n相似性矩陣的主要特征向量，n是樣本個數。這對于大規模數據，計算量是相當大的，這也成為了譜聚類方法的瓶頸問題。

Fowlkes等人提出了基于逼近的譜聚類方法。該方法首先從所有樣本中隨機選取一個樣本子集作為代表求解特征問題，然后再將其特征向量擴展為整個樣本集合權值矩陣的特征向量。然而，選取結果對聚類影響很大，聚類結果表現出不穩定性。后來提出的k均值譜聚類方法，在一定程度上解決了不穩定問題。該方法用k-means方法對數據集預聚類，將與預聚類得到的中心點最近鄰的數據點作為采樣點，取代了原來的隨機采樣。但由于k-means方法本身并不是一種完全穩定聚類方法，當樣本空間不為凸時，算法會陷入局部最優，所以k均值譜聚類方法圖像分割結果很不穩定。

發明內容

本發明的目的在于克服上述已有技術的缺點，提出了一種基于MOD字典學習采樣的譜聚類圖像分割方法，以得到穩定的、更準確的圖像分割結果。

為實現上述目的，本發明通過對樣本進行MOD學習得到字典，并根據樣本與字典的距離，把那些距離較小的樣本作為采樣點，最大化保留圖像信息，再利用逼近譜聚類算法劃分得到所有樣本的標簽，具體步驟包括如下：

(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X＝{x₁，...，x_i，...，x_n}(i＝1，...，n)歸一化到[0，1]之間，得到數據X′以去除數據間量級的影響；

(2)用MOD字典方法對X′進行學習，得到字典D＝{d₁，…，d_j，…，d_m}，j＝1，...，m，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X′與字典D的歐氏距離，并取距離較小的前l個數據作為采樣子集S，l取300；

(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；

本發明由于對特征數據通過字典學習得到字典，并選擇與字典距離最近的特征數據作為采樣子集，最大化地保留了圖像信息，使采樣子集具有代表性；同時本發明利用字典采樣子集對剩余數據進行嵌入，使圖像分割性能有明顯提升。

附圖說明

圖1是本發明圖像分割的流程圖；

圖2是現有的一幅2分類紋理圖像；

圖3是用本發明與現有譜聚類方法對圖2的仿真分割結果圖；

圖4是現有的一幅3分類紋理圖像；

圖5是用本發明與現有譜聚類方法對圖4的仿真分割結果圖；

圖6是現有的一幅2分類SAR圖像；

圖7是用本發明與現有譜聚類方法對圖6的仿真分割結果圖；

圖8是現有的一幅2分類SAR圖像；

圖9是用本發明與現有譜聚類方法對圖8的仿真分割結果圖。

具體實施方式

參照圖1，本發明的實施步驟如下：

步驟1.使用待分割圖像的灰度共生矩陣對圖像進行特征提取，并將提取的特征數據歸一化，以去除數據間量級的影響。