[發明專利]基于流形距離的兩階段聚類算法的SAR圖像分割方法

無效

• 申請號: 201310066566.X
• 申請日: 2013-04-02
• 公開（公告）號: CN103136757A
• 公開（公告）日: 2013-06-05
• 發明（設計）人: 公茂果;焦李成;賈冀;雷雨;馬晶晶;馬文萍;尚榮華
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 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，可用于圖像增強、模式識別、目標跟蹤等技術領域中。

背景技術

作為圖像處理過程中的一個重要步驟，圖像分割的主要任務是將輸入圖像分割為一些不重疊的區域，使同一區域具有相同的屬性，不同的區域具有不同的屬性。對于圖像分割問題，研究者已經提出了很多方法，但是鑒于圖像種類多、數據量大、變化多端的特點，迄今為止還沒有一種方法能夠適用于所有的圖像。數據聚類作為一種圖像分割的方法，得到了廣泛的應用。

聚類作為一種重要的分析數據的方法已在許多領域被廣泛關注，它是按照一定的度量準則對數據進行分類的過程。度量準則的選取對聚類結果的影響至關重要，目前的聚類算法多采取歐氏距離作為相似性度量，應用最廣泛的是K均值算法。

但是，基于歐氏距離的K均值聚類算法只對空間分布為球形或超球體的數據具有較好的性能，對空間分布復雜的數據聚類效果很差，這是基于歐式距離的相似性度量準則所導致的必然結果。然而，現實中的聚類問題，數據的結構分布復雜，歐氏距離往往無法正確反映。因此，一些研究者將流形距離引入聚類來解決這個問題，比如：Maoguo?Gong等人提出了一種密度敏感的流形距離作為聚類的相似性度量，參見Maoguo?Gong,Licheng?Jiao,Ling?Wang,Liefeng?Bo,“Density-Sensitive?EvolutionaryClustering,”In:Proceedings?of?the?11th?Pacific-Asia?Conference?on?Knowledge?Discoveryand?Data?Mining，PAKDD07.Springer-Verlag,Lecture?Notes?in?Computer?Science,LNAI4426,pp.507-514,2007。雖然，以流形距離作為相似性度量準則的聚類算法對于空間分布復雜的數據聚類效果令人滿意，然而，計算流形距離的過程中要應用到圖論中計算最短距離的方法，其計算復雜度要遠遠高于歐氏距離的計算復雜度。隨著數據集規模的增加，這個弊端尤為明顯，使該方法無法應用于諸如圖像處理等大規模數據集處理的問題上。

另外，在傳統聚類方法中，如果初始化聚類中心的時候采用的是隨機選取的方法，就很有可能對聚類結果的準確性造成較大的影響。為了降低聚類算法對于初始聚類中心的敏感性，Sheikh,R.H.等人將進化算法引入到聚類過程中，參見Sheikh,R.H.,Raghuwanshi,M.M.,Jaiswal,A.N.,“Genetic?Algorithm?Based?Clustering:ASurvey，”Emerging?Trends?in?Engineering?and?Technology，ICETET'08.First?InternationalConference?on16-18July2008,pp.314-319,2008。進化算法是一種并行的搜索技術，可以解決傳統聚類方法對初始聚類中心敏感的缺點，并且提高其收斂到全局最優解的概率。也有一部分學者對于聚類算法初始值選取作了研究，參見Zhang,Chen,Xia,Shixiong,“K-means?Clustering?Algorithm?with?Improved?Initial?Center,”IEEE?KnowledgeDiscovery?and?Data?Mining,Second?International?Workshop?on23-25Jan.2009pp.790-792,2009。但是，進化算法作為一種搜索算法，在尋找全局最優解的過程中容易受到局部最優解的干擾而出錯。

由于上述傳統聚類算法存在的缺點對聚類性能有很大的影響，限制了聚類算法在圖像分割方面的應用，因此，研究一種行之有效的圖像分割方法是本技術領域科技人員的當務之急。

發明內容

本發明的目的在于針對上述已有技術的不足，提出一種基于流形距離的兩階段聚類算法的SAR圖像分割方法，以實現在圖像分割中既能得到良好的結果，又能降低傳統聚類分割方法對初始聚類中心的敏感度，使得圖像聚類分割結果更穩定、邊緣更平滑、區域一致性更好。