[發明專利]基于快速選取地標點的圖像譜聚類方法

有效

• 申請號: 201710720021.4
• 申請日: 2017-08-21
• 公開（公告）號: CN107578063B
• 公開（公告）日: 2019-11-26
• 發明（設計）人: 姬紅兵;王益新;張文博;劉龍;王厚華;陳爽月;張海濤;蘇鎮鎮
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 61205 陜西電子工業專利中心
• 代理人: 田文英;王品華<國際申請>=<國際公布>

本發明公開了一種快速選取地標點的圖像譜聚類方法，主要解決現有圖像譜聚類方法的聚類精度低和計算復雜度高的問題。其方法步驟為：(1)讀取待譜聚類的所有的圖像；(2)計算待譜聚類圖像的近鄰圖；(3)選取地標點；(4)計算待譜聚類圖像的特征稀疏表示矩陣；(5)計算待譜聚類圖像的相關矩陣；(6)計算稀疏表示矩陣的右奇異特征矩陣；(7)識別聚類。本發明相對于現有的一些圖像譜聚類技術可以降低圖像的稀疏表示誤差，提高譜聚類結果的準確率，并且計算復雜度低。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及圖像聚類技術領域中的一種基于快速選取地標點的圖像譜聚類方法。本發明可用于對手寫體數字圖像、手寫體英文字母圖像等無標簽圖像進行自動聚類。

背景技術

聚類分析是機器學習與模式識別中一種重要的方法，是人們認識和探索事物之間內在聯系的有效手段。它要求能按樣本的特性來進行合理的分類，使得在同一簇中的對象之間具有較高的相似度，不同簇中的對象差別較大。傳統的聚類算法如K均值算法、EM算法等都是建立在凸球形的樣本空間上。當樣本空間不為凸時，算法會陷入局部最優解。譜聚類算法克服了K均值算法的缺點，能在任意形狀的樣本空間上聚類，而且實現簡單，收斂于全局最優解。

西安電子科技大學在其申請的專利文獻“基于譜聚類的極化SAR圖像分類方法”(申請號：CN201210424175.6申請公開號：CN102982338B)中公開一種基于譜聚類的極化SAR圖像分類方法。該方法包括如下步驟：步驟1，對待分類的大小為R×Q的極化SAR圖像進行濾波，去除斑點噪聲；步驟2，對濾波后的極化SAR圖像每個像素點的相干矩陣進行Cloude分解，提取每個像素的散射熵H特征，得到整幅圖像的關于散射熵H的特征空間；步驟3，用MeanShift算法對獲取到的特征空間進行分割，得到M個區域；步驟4，在已獲得的M個區域上，選取每個區域的典型代表點作為新的像素點Yδ，δ＝1,2,...,M得到M個新像素點，將這M個新像素點映射為具有M個節點的全連接圖，并對這個全連接圖進行譜聚類；步驟5，在M個區域上，將由新像素點Yδ所代表的區域標記為與新像素點Yδ相同的類別，完成對整幅圖像的預分類；步驟6，對預分類得到的整幅圖像用能反映極化SAR分布特性的Wishart分類器進行迭代分類，得到更為準確的分類結果。該方法存在的不足之處是：對SAR圖像進行譜聚類的時候，只是減少了輸入圖像特征的數量，該方法的運算量和存儲量依舊很大。

Cai D,Chen X.等人在其發表的論文“Large Scale Spectral Clustering ViaLandmark-Based Sparse Representation”(IEEE transactions on cybernetics),45(8),1669-1680 2015)中提出了一種基于地標點稀疏表示的大尺度譜聚類方法。該方法的實現步驟是：步驟1，輸入數據X和聚類數K；步驟2，在數據X中通過K均值聚類方法或者隨機采樣方法產生P個地標點；步驟3，將所述數據X基于所述P個地標點構建稀疏表示矩陣Z；步驟4，根據所述稀疏表示矩陣Z計算Z^TZ的前K個特征向量A；步驟5，根據所述稀疏表示矩陣Z計算Z的右奇異向量得到Z^TZ的前K個特征向量B^T；步驟6，對特征向量B^T的每一行通過K均值算法進行聚類，最終輸出聚類結果。該方法存在的不足之處是，在選取圖像作為地標點進行譜聚類時，選取的地標點受圖像數據結構影響，導致圖像數據分布信息損失，圖像的稀疏表示誤差大。

發明內容

本發明的目的在于克服上述已有技術的不足，提出一種快速選取地標點的譜聚類方法。本發明選取的地標點分布均勻，能保留較多的圖像數據分布信息，使得譜聚類結果的準確度更高。