[發明專利]一種基于集成的快速譜聚類方法

有效

• 申請號: 201711278376.9
• 申請日: 2017-12-06
• 公開（公告）號: CN108154157B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 王曉春;常晨昱
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 齊書田

本發明公開了一種基于集成的快速譜聚類方法，輸入圖片，然后劃定移動窗口，使移動窗口在水平或者垂直方向上平移，將輸入的每張圖片劃分為若干塊；對得到的分塊的HSV顏色空間進行顏色直方圖統計，提取顏色特征向量；將獲取到的每張圖的顏色特征向量作為譜聚類的輸入，得到每張圖片的譜聚類結果，得到相應顏色向量的label值；使用BIRCH分類樹對步驟3中被label值標記的顏色特征向量分類；使用BIRCH分類樹結果對譜聚類的結果進行集成；將集成后的label值通過不同的顏色進行標記，得到圖片分割的結果。本方法通過BIRCH分類樹，將譜聚類的結果修正，得到的聚類效果更好。

技術領域

本發明屬于物體識別技術領域，具體涉及一種基于集成的快速譜聚類方法。

背景技術

在自主式機器人系統里仍在繼續解決的問題就是，物體識別問題，即如何使機器人感知系統能夠識別出其中的物體，從而進行相應的環境建模功能的實現。傳統譜聚類存在著它自身的問題：1)相關參數及相似度矩陣構建并不能通過統一方式確定；2)由于要對數據集中的所有數據進行兩兩之間的距離計算來構建距離矩陣時間與空間復雜度都不容忽視，當數據規模上升時，數據不能一次載入內存；3)構造一個數據集大小為Q的相似度矩陣并計算它的特征值與特征向量帶來的計算復雜度通常為O(n³)，在實際應用中，在數量級超過千級的時候，譜聚類就開始逐漸不可使用了。

Donghui Yan等人提出一種快速譜聚類方法。首先對輸入數據使用K-means算法進行聚類，得到k個簇，計算得到所有簇的聚類中心；然后建立數據與簇中心的對應表；最后使用譜聚類算法對得到的聚類中心進行聚類，得到相應的label值，并通過對應表，將label值標記到每條數據，此方法雖然加快了譜聚類的聚類速度，但是導致了聚類精度的下降。

發明內容

本發明的目的在于提供一種基于集成的快速譜聚類方法，以克服現有技術的缺陷，本發明運行時間更短，資源占用更小，準確率更高，相對于KASP方法，本方法通過BIRCH分類樹，將譜聚類的結果修正，得到的聚類效果更好。

為達到上述目的，本發明采用如下技術方案：

一種基于集成的快速譜聚類方法，包括以下步驟：

步驟1：輸入圖片，然后劃定移動窗口，使移動窗口在水平或者垂直方向上平移，將輸入的每張圖片劃分為若干塊；

步驟2：對得到的分塊的HSV顏色空間進行顏色直方圖統計，提取顏色特征向量；

步驟3：將獲取到的每張圖的顏色特征向量作為譜聚類的輸入，得到每張圖片的譜聚類結果，得到相應顏色特征向量的label值；

步驟4：使用BIRCH分類樹對步驟3中被label值標記的顏色特征向量分類；

步驟5：使用BIRCH分類樹結果對譜聚類的結果進行集成；

步驟6：將集成后的label值通過不同的顏色進行標記，得到圖片分割的結果。

進一步地，步驟1中移動窗口的尺寸為10×10。

進一步地，步驟2具體為：將HSV顏色空間的色度H均勻地分割為15個區間，而將飽和度S和亮度V均勻地分割為4個區間，則每一個色彩都被分成了三部分：15個取值的色度，4個取值的飽和度與4個取值的亮度，所有區間的排列組合能夠生成240種不同的顏色組合，然后將移動窗口中的所有像素分配到對應的組合中，得到一個高度稀疏的特征向量f。

進一步地，步驟3具體包括：

步驟3.1：計算得到的特征向量的相似度矩陣S，由相似度矩陣S構建度矩陣DU和鄰接矩陣W；

步驟3.2：根據公式L＝DU^-1L＝I-DU^-1W，計算拉普拉斯矩陣L；