專利名稱：基于mod字典學(xué)習(xí)采樣的譜聚類圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及圖像分割，可用于對紋理圖像和SAR圖像進(jìn)行目標(biāo)檢測和目標(biāo)識別。
背景技術(shù)：
聚類就是按照一定的要求和規(guī)律對事物進(jìn)行區(qū)分和分類的過程，在這一過程中沒有任何關(guān)于類別的先驗(yàn)知識，僅靠事物間的相似性作為類屬劃分的準(zhǔn)則，因此屬于無監(jiān)督分類的范疇。聚類分析則是指用數(shù)學(xué)的方法研究和處理給定對象的分類，是多元統(tǒng)計(jì)分析的一種，也是無監(jiān)督模式識別的一個(gè)重要分支。它把一個(gè)沒有類別標(biāo)記的樣本集按某種準(zhǔn)則劃分成若干個(gè)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(jiān)督分類方法，聚類分析已經(jīng)被廣泛地應(yīng)用于模式識別、數(shù)據(jù)挖掘、計(jì)算機(jī)視覺和模糊控制等許多領(lǐng)域。但傳統(tǒng)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(dāng)樣本空間不為凸時(shí)，算法會(huì)陷入局部最優(yōu)。譜聚類方法是一種建立在譜圖理論基礎(chǔ)之上，利用數(shù)據(jù)相似性矩陣的特征向量進(jìn)行聚類的方法。譜聚類方法實(shí)現(xiàn)簡單，與維數(shù)無關(guān)，能在任意形狀的樣本空間上聚類并收斂于全局最優(yōu)解，因此得到了越來越廣泛的應(yīng)用。目前譜聚類方法已被成功應(yīng)用于語音識別、 視頻分割、圖像分割、VLSI設(shè)計(jì)和網(wǎng)頁劃分等領(lǐng)域。但是，譜聚類方法需要計(jì)算一個(gè)nXn相似性矩陣的主要特征向量，η是樣本個(gè)數(shù)。這對于大規(guī)模數(shù)據(jù)，計(jì)算量是相當(dāng)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NystKm逼近的譜聚類方法。該方法首先從所有樣本中隨機(jī)選取一個(gè)樣本子集作為代表求解特征問題，然后再將其特征向量擴(kuò)展為整個(gè)樣本集合權(quán)值矩陣的特征向量。然而，選取結(jié)果對聚類影響很大，聚類結(jié)果表現(xiàn)出不穩(wěn)定性。后來提出的k均值NystKm譜聚類方法，在一定程度上解決了不穩(wěn)定問題。該方法用k-means方法對數(shù)據(jù)集預(yù)聚類，將與預(yù)聚類得到的中心點(diǎn)最近鄰的數(shù)據(jù)點(diǎn)作為采樣點(diǎn)，取代了原來的隨機(jī)采樣。但由于k-means方法本身并不是一種完全穩(wěn)定聚類方法，當(dāng)樣本空間不為凸時(shí)，算法會(huì)陷入局部最優(yōu)，所以k均值NystKndf聚類方法圖像分割結(jié)果很不穩(wěn)定。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的缺點(diǎn)，提出了一種基于MOD字典學(xué)習(xí)采樣的譜聚類圖像分割方法，以得到穩(wěn)定的、更準(zhǔn)確的圖像分割結(jié)果。為實(shí)現(xiàn)上述目的，本發(fā)明通過對樣本進(jìn)行MOD學(xué)習(xí)得到字典，并根據(jù)樣本與字典的距離，把那些距離較小的樣本作為采樣點(diǎn)，最大化保留圖像信息，再利用Nystrttoi逼近譜聚類算法劃分得到所有樣本的標(biāo)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(jìn)行特征提取，并將提取的特征數(shù)據(jù)X = Ix1,. . .，Xi，. . .，、} (i = 1，. . .，η)歸一化到
之間，得到數(shù)據(jù)X'以去除數(shù)據(jù)間量級的影響；
4
(2)用MOD字典方法對X'進(jìn)行學(xué)習(xí)，得到字典D = W1,…，d」，dffl}, j = 1，. . .，m，dj為字典中的原子，m為字典原子數(shù)，取300 ；(3)計(jì)算特征數(shù)據(jù)X'與字典D的歐氏距離，并取距離較小的前1個(gè)數(shù)據(jù)作為采樣子集S，1取300 ；(4)利用NystKm方法，從選出的采樣子集S得到所有特征數(shù)據(jù)的特征向量；(5)對前k個(gè)特征值對應(yīng)的特征向量進(jìn)行k-means聚類，得到最終的圖像分割結(jié)果，其中k是類別數(shù)，1且為整數(shù)；本發(fā)明由于對特征數(shù)據(jù)通過字典學(xué)習(xí)得到字典，并選擇與字典距離最近的特征數(shù)據(jù)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(shí)本發(fā)明利用字典采樣子集對剩余數(shù)據(jù)進(jìn)行NystKm嵌入，使圖像分割性能有明顯提升。


圖1是本發(fā)明圖像分割的流程圖；圖2是現(xiàn)有的一幅2分類紋理圖像；圖3是用本發(fā)明與現(xiàn)有NystKndf聚類方法對圖2的仿真分割結(jié)果圖；圖4是現(xiàn)有的一幅3分類紋理圖像；圖5是用本發(fā)明與現(xiàn)有NystKndf聚類方法對圖4的仿真分割結(jié)果圖；圖6是現(xiàn)有的一幅2分類SAR圖像；圖7是用本發(fā)明與現(xiàn)有NystKm譜聚類方法對圖6的仿真分割結(jié)果圖；圖8是現(xiàn)有的一幅2分類SAR圖像；圖9是用本發(fā)明與現(xiàn)有NystKndf聚類方法對圖8的仿真分割結(jié)果圖。
具體實(shí)施例方式參照圖1，本發(fā)明的實(shí)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(jìn)行特征提取，并將提取的特征數(shù)據(jù)歸一化，以去除數(shù)據(jù)間量級的影響。(Ia)對待分割的圖像生成灰度共生矩陣P，窗口大小取16 ；(Ib)在0°，45°，90°和135°這4個(gè)方向上，從圖像的灰度共生矩陣P中抽取以下三種二次統(tǒng)計(jì)量
n-\ n-\角二階矩.Λ二，
/=0 J=O η-\ η-\同質(zhì)區(qū)/2=21^(^)^ + 0-7+)2]2，
/=0 J=O n-\ n-\對比度/3= Σ ΣI7' — J\p(^ J)，
/=0 j=Q其中，η是樣本總數(shù)，p(i，j)是灰度共生矩陣P第i行第j列的元素；在4個(gè)方向上分別計(jì)算上述統(tǒng)計(jì)量，得到每個(gè)樣本的特征數(shù)據(jù)向量Xi = (fn,
fi2， “，f"ii2)，土 1，...，η ；(Ic)將η個(gè)樣本的特征數(shù)據(jù)向量作為列向量構(gòu)成的特征數(shù)據(jù)X= Ix1,... Xi,…，
5xn}，i = 1，. . .，n，并把X歸一化到
之間，得到數(shù)據(jù)X'，以去除數(shù)據(jù)間量級的影響。步驟2.用MOD字典對歸一化后的特征數(shù)據(jù)進(jìn)行學(xué)習(xí)，得到字典D。(2a)隨機(jī)選取m個(gè)特征數(shù)據(jù)作為初始字典原子，構(gòu)成初始字典D=(屯，···，…，···， dm)，j = 1，...，m，其中字典原子Clj e Rtx1, t是每個(gè)特征數(shù)據(jù)的維數(shù)，m取300 ；(2b)根據(jù)初始字典D'，利用正交匹配追蹤算法對特征數(shù)據(jù)X的第i個(gè)特征數(shù)據(jù) Xi進(jìn)行稀疏編碼，獲得稀疏表示系數(shù)向量α i
權(quán)利要求
1.一種基于MOD字典學(xué)習(xí)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(jìn)行特征提取，并將提取的特征數(shù)據(jù)歸一化到
之間，以去除數(shù)據(jù)間量級的影響；(2)用MOD字典方法對歸一化后的特征數(shù)據(jù)集X=Ix1,…，Xi，…，i}(i = l，...， η)進(jìn)行學(xué)習(xí)，得到字典D= W1, ···，(!」，-,dm}, j = 1，...，m，且m<=n，dj為字典中的原子，m為字典原子數(shù)，取300 ；(3)計(jì)算特征數(shù)據(jù)與字典原子的歐氏距離，從X'中取距離較小的前1(1<n，l取300) 個(gè)數(shù)據(jù)構(gòu)成采樣子集&；(4)利用NystKm方法，從選出的采樣子集S得到所有特征數(shù)據(jù)的特征向量；(5)對前k個(gè)特征值對應(yīng)的特征向量進(jìn)行k-means聚類，得到最終的圖像分割結(jié)果，其中k是類別數(shù)，1且為整數(shù)。
2.根據(jù)權(quán)利要求1所述的基于MOD字典學(xué)習(xí)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(xué)習(xí)方法對歸一化后的特征數(shù)據(jù)進(jìn)行學(xué)習(xí)，得到字典，按照如下步驟進(jìn)行Oa)隨機(jī)選取m個(gè)特征數(shù)據(jù)作為初始字典原子，構(gòu)成初始字典D= (d” ···, dj,…， dm)，j = 1，...，m，其中字典原子Clj e Rtx1, t是每個(gè)特征數(shù)據(jù)Xi的維數(shù)，m取300 ；(2b)根據(jù)已有字典D，利用正交匹配追蹤算法對特征數(shù)據(jù)X的第i個(gè)特征數(shù)據(jù)Xi進(jìn)行稀疏編碼，獲得稀疏表示系數(shù)向量α i mJnINs. t. I II。< L其中L為編碼的稀疏度，L取4 ；(2c)對η個(gè)特征數(shù)據(jù)都進(jìn)行稀疏編碼，將得到的η個(gè)稀疏表示系數(shù)向量作為列向量構(gòu)成稀疏表示系數(shù)矩陣A= (Q1,... , Qi,... , aj,i = 1,... ,η,、是第i個(gè)特征數(shù)據(jù)Xi 在字典D上的稀疏表示系數(shù)向量；(2d)根據(jù)字典D和稀疏表示系數(shù)矩陣A，利用最小二乘法求解目標(biāo)函數(shù) mm\X-DAf2 ，把得到的最優(yōu)解作為新的字典D'；(2e)用D'更新D，重復(fù)執(zhí)行步驟(2b)、步驟Qc)和步驟Qd)N次，得到最終的字典 D"，N取 25。
3.根據(jù)權(quán)利要求1所述的基于MOD字典學(xué)習(xí)的譜聚類圖像分割方法，其中步驟(2)所述的計(jì)算特征數(shù)據(jù)與字典原子的歐氏距離，并取距離較小的前1個(gè)數(shù)據(jù)構(gòu)造采樣子集S，按照如下步驟進(jìn)行(3a)根據(jù)下式計(jì)算第j個(gè)字典原子…與第i個(gè)特征數(shù)據(jù)Xi的歐氏距離Wji Wji = I I (Ij-Xi I, j = 1, . . . , m, i = 1, . . . , η將η個(gè)特征數(shù)據(jù)分別與第j個(gè)字典原子…的歐氏距離構(gòu)成第j個(gè)字典原子…的距離向量:Wj = {wn, . . . , Wji, . . . , WjJ , i = 1, . . . , η ；(3b)比較全部字典原子的距離向量％(」=1，. . .，m)的值，把歐氏距離較小的前1個(gè) Wji對應(yīng)的第i個(gè)特征數(shù)據(jù)χ' i作為采樣點(diǎn)，并去掉重復(fù)特征數(shù)據(jù)，得到規(guī)模為300的采樣子集S。
4.根據(jù)權(quán)利要求1所述的基于MOD字典學(xué)習(xí)的譜聚類圖像分割方法，其中步驟(4)所述的利用NystKm方法，從選出的采樣子集S得到所有特征數(shù)據(jù)的特征向量，按照如下步驟進(jìn)行(4a)計(jì)算采樣子集S的權(quán)值矩陣W = G(S，S)，其中η為特征數(shù)據(jù)個(gè)數(shù)，G()為高斯核函數(shù)；(4b)對權(quán)值矩陣W進(jìn)行特征分解，求出特征值λ = {λ”...，Xi,..., λ^和特征向量於{徹..#...湖，其中Xi是λ的第i個(gè)元素，燼是於的第i列向量，1 = 1,2,..., 1 ；(4c)由w的特征值λ和特征向量於，根據(jù)下式計(jì)算得到Φ的第j個(gè)列向量φ”
全文摘要
本發(fā)明公開了一種基于字典學(xué)習(xí)采樣譜聚類的圖像分割方法，主要解決現(xiàn)有譜聚類方法分割結(jié)果不穩(wěn)定的問題。其實(shí)現(xiàn)過程是(1)對待分割的圖像進(jìn)行特征提取，并將提取的特征數(shù)據(jù)歸一化到
之間，以去除數(shù)據(jù)間量級的影響；(2)用MOD字典學(xué)習(xí)方法對歸一化后的特征數(shù)據(jù)進(jìn)行學(xué)習(xí)，得到字典D；(3)計(jì)算特征數(shù)據(jù)與字典原子的歐氏距離，并取距離小的前l(fā)個(gè)數(shù)據(jù)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(shù)據(jù)的特征向量；(5)對前k個(gè)特征值對應(yīng)的特征向量進(jìn)行k-means聚類，得到最終的圖像分割結(jié)果。本發(fā)明與現(xiàn)有的技術(shù)相比圖像分割結(jié)果穩(wěn)定、準(zhǔn)確度高，可用于目標(biāo)檢測和目標(biāo)識別。
文檔編號G06T5/00GK102436645SQ20111034665
公開日2012年5月2日 申請日期2011年11月4日 優(yōu)先權(quán)日2011年11月4日
發(fā)明者莊廣安, 張向榮, 李陽陽, 楊淑媛, 楊靜瑜, 焦李成, 緱水平, 趙一帆 申請人:西安電子科技大學(xué)