CN101763514A - 基于特征重要度排序谱聚类的图像分割方法 - Google Patents
基于特征重要度排序谱聚类的图像分割方法 Download PDFInfo
- Publication number
- CN101763514A CN101763514A CN201010013722A CN201010013722A CN101763514A CN 101763514 A CN101763514 A CN 101763514A CN 201010013722 A CN201010013722 A CN 201010013722A CN 201010013722 A CN201010013722 A CN 201010013722A CN 101763514 A CN101763514 A CN 101763514A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- samples
- sample
- importance degree
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
Abstract
本发明公开了一种基于特征重要度排序谱聚类的图像分割方法,主要解决现有谱聚类方法复杂度高和稳定性差的问题。其实现过程是:(1)对待分割图像提取灰度值特征,灰度共生特征或小波特征;(2)对特征数据进行归一化处理;(3)根据归一化后的特征数据,计算所有样本的重要度;(4)对所有样本的重要度进行排序,并选择重要度高的100个样本作为采样的样本子集;(5)根据方法,用选出的样本子集求解所有样本谱映射后的特征向量空间,并取前给定的类别数k个特征值对应的特征向量进行降维;(6)对降维后的数据进行k-means聚类,输出最终的图象分割结果。本发明与现有的谱聚类方法相比,结果稳定,复杂度低,图像分割结果有明显提高,可用于目标检测和目标识别。
Description
技术领域
本发明属于图像处理技术领域,涉及图像分割,可用于对纹理图像和SAR图像进行目标检测和目标识别。
背景技术
聚类就是按照一定的要求和规律对事物进行区分和分类的过程,在这一过程中没有任何关于类别的先验知识,也没有教师的指导,仅靠事物间的相似性作为类属划分的准则,因此属于无监督分类的范畴。聚类分析则是指用数学的方法研究和处理给定对象的分类,是多元统计分析的一种,也是无监督模式识别的一个重要分支。它把一个没有类别标记的样本集按某种准则划分成若干个子集,使相似的样本尽可能归为一类,而不相似的样本尽量划分到不同的类中。作为一种无监督分类方法,聚类分析已经被广泛地应用于模式识别、数据挖掘、计算机视觉和模糊控制等许多领域。但传统的聚类算法,如k-means算法,EM算法等都是建立在凸球形的样本空间上,但当样本空间不为凸时,算法会陷入局部最优。
谱聚类方法是一种建立在谱图理论基础之上,利用数据相似性矩阵的特征向量进行聚类的算法。谱聚类方法实现简单,与维数无关,能在任意形状的样本空间上聚类并收敛于全局最优解,因此得到了越来越广泛的应用。目前谱聚类方法已被成功应用于语音识别、视频分割、图像分割、VLSI设计和网页划分等领域。但是,谱聚类方法需要计算一个n×n相似性矩阵的主要特征向量,n是样本个数。这对于大规模数据,计算量是相当大的,这也成为了谱聚类方法的瓶颈问题。
Fowlkes等人提出了基于逼近的谱聚类方法。该方法首先从所有样本中随机选取一个样本子集作为代表求解特征问题,然后再将其特征向量扩展为整个样本集合权值矩阵的特征向量。然而,选取结果对聚类影响很大,聚类结果表现出不稳定性。2005年Marie Ouimet等人提出的贪婪谱聚类方法很好的解决了这个问题。贪婪谱聚类方法用贪婪选取替代随机选取选出代表全部样本的样本子集,并用包括所选的和未选的所有样本,共同来估计特征空间的协方差矩阵。这使得聚类结果的稳定性和准确率都大大提高。然而,与方法不同,贪婪谱聚类方法采用容差作为输入参数。为了输入合适的容差来控制选取个数,需要预先知道容差和选取个数之间的关系,这在实践中无论是计算量上还是时间复杂度上都是有很大难度的。另一方面,即使找到了合适的容差,贪婪选取方式需要逐个依次计算用已选样本逼近当前候选样本的误差,当样本规模较大时,这个过程的计算量和时间花费很大,造成图象分割的速度非常慢。
发明内容
本发明的目的在于克服上述已有问题的缺点,提出了一种基于特征重要度排序谱聚类的图像分割方法,通过对样本进行重要度评价并采样重要度高的样本最大化的保留图像信息,忽略重要度低的样本降低计算复杂度,从而在不增加计算复杂度的情况下,提高图象分割的速度,得到稳定的,更优的图像分割结果。
为实现上述目的,本发明的实现步骤包括如下:
(1)对待分割的图像进行灰度值特征,灰度共生特征或小波特征进行提取;
(2)对所提取的特征数据进行归一化处理,以去除数据间量级的影响;
(3)对归一化后的特征数据,根据不同的特征,分别计算所有样本的重要度;
3a)对于灰度值特征,按照下式计算所有样本的重要度:
Ii=1/min{v′i,255-v′i}i=1,2,…,N
其中,N是样本总数,v′i是第i个样本的灰度值;
3b)对于灰度共生特征,按照下式计算所有样本的重要度:
其中,N是样本总数,v′i(j),j=9,…,12分别是第i个样本在θ取值的4个方向上的能量值;
3c)对于小波特征,按照下式计算所有样本的重要度:
其中,N是样本总数,v′ij,j=7,…,10是第i个样本的低频子带能量值;
(4)对所有样本的重要度I={Ii,i=1,2,…,N}从高到低进行排序,并选择重要度高的前100个样本作为采样的样本子集;
(5)根据方法,用选出的样本子集求解所有样本谱映射后的特征向量空间,并取其前k个特征值对应的特征向量进行降维,其中k是给定的类别数;
(6)对降维后的数据进行k-means聚类,作为图像的最终分割结果。
本发明由于根据不同的特征数据,用不同的评价标准计算所有样本的重要度,并选择重要度高的样本作为采样子集,从而最大化的保留图像信息。
附图说明
图1是本发明图像分割方法的流程图;
图6是用现有谱聚类方法和本发明应用小波特征对SAR图像的分割结果仿真图。
具体实施方式
参照图1,本发明的具体实施过程如下:
步骤1.对待分割的图像进行灰度值特征,灰度共生特征或小波特征提取:
1a)对于灰度值特征,直接提取图像中各样本的灰度值g作为该点的特征u′i=(vi),其中vi=g;
1b)对于灰度共生特征,将待分割图象生成灰度共生矩阵pij(s,θ),其中s是样本xi和xj之间的距离,θ的取值为4个离散的方向:0°,45°,90°,135°,每个方向上取三个统计量:一是角二阶矩,也称能量,二是同质区,三是对比度,每个统计量按照以下公式进行计算:
角二阶矩:
同质区:
对比度:
其中,N是样本总数,p(i,j)是灰度共生矩阵pij(s,θ)第i行第j列的元素,在θ取值的4个方向上分别计算上述统计量,得到每个样本的特征数据u″i=(vi1,vi2,…,vi12);
1c)对于小波特征,将图像进行3层小波分解,每层分为四个子带LL,HL,LH和HH,就可以得到10个子带信息,然后按照如下公式对每个子带的能量进行计算:
式中,coefk(i,j)表示第k个子带中第i行第j列的系数值,M×N为子带大小,i,j表示子带中系数的索引,由此得到10个子带上的能量值,构成样本的特征数据u′″i=(vi1,,vi2,…,vi10);
通过以上的特征提取步骤,根据不同的特征,就可以得到样本的特征数据ui,对于灰度值特征ui=u′i=(vi),对于灰度共生特征ui=u″i=(vi1,,vi2,…,vi12),对于小波特征ui=u′″i=(vi1,,vi2,…,vi10),为方便表达,以下统一记作ui=(vi1,,vi2,…,vil),其中l是特征数据ui的维数。
步骤2.对所提取的图像特征数据ui=(vi1,,vi2,…,vil)进行归一化处理,以去除数据间量级的影响:
其中,l是特征数据ui的维数,min(ui)表示ui=(vi1,,vi2,…,vil)之中的最小值,max(v)表示ui=(vi1,vi2,…,vil)之中的最大值,通过步骤2,就可以得到归一化后的特征数据ui=(v′i1,,v′i2,…,v′il)。
步骤3.对归一化后的特征数据,根据不同的特征,分别计算所有样本的重要度。
3a)对于灰度值特征ui=(v′i),按照下式计算所有样本的重要度:
Ii=1/min{v′i,255-v′i} i=1,2,…,N
其中,N是样本总数,v′i是第i个样本的灰度值。
3b)对于灰度共生特征ui=(v′i1,v′i2,…,v′i12),按照下式计算所有样本的重要度:
其中,N是样本总数,v′i(j),j=9,…,12分别是第i个样本在θ取值的4个方向上的能量值。
3c)对于小波特征ui=(v′i1,,v′i2,…,v′i10),由于低频信息能够表达图像的轮廓信息,按照下式计算所有样本的重要度:
其中,N是样本总数,v′ij,j=7,…,10是第i个样本的低频子带能量值。
步骤4.对所有样本的重要度I={Ii,i=1,2,…,N}从高到低进行排序,并选择重要度高的前100个样本作为采样的样本子集。
步骤6.对降维后的数据进行k-means聚类,作为图像的最终分割结果。
本发明效果可以通过以下实验进一步证实:
1.实验条件和内容
实验仿真环境为:MATLAB 7.5.0,Intel(R)Pentium(R)2CPU 3.0GHz,Window XPProfessional。
2.实验结果
由图2的分割结果可以看出,本发明的分割结果在区域一致性,边缘保持上都要明显优于谱聚类算法,这说明本发明能够合理的利用特征信息来评价样本重要度,最大化的保留了图像信息,在一定程度上减小了子集代表所有样本造成的图像信息损失,因此能够得到较好的分割结果。
2)用现有谱聚类方法和本发明分别应用灰度共生特征对纹理图像和SAR图像的分割结果如图3和图4所示。其中图3(a)和4(a)是原始图像,图3(b)和4(b)是谱聚类方法分割结果,图3(c)和4(c)是本发明的分割结果。
由图3和图4的分割结果可以看出,本发明的分割结果要优于谱聚类方法,这是因为本发明对所有样本进行重要度评价,选择重要度高的样本构成样本子集,较谱聚类方法的等概率随机选取,能够更好的保留图像信息,得到较好的分割结果。
3)用现有谱聚类方法和本发明分别应用小波特征对纹理图像和SAR图像的分割结果如图5和图6所示。其中图5(a)和6(a)是原始图像,图5(b)和6(b)是谱聚类方法分割结果,图5(c)和6(c)是本发明的分割结果。
Claims (1)
1.一种基于特征重要度排序谱聚类的图像分割方法,包括如下步骤:
(1)对待分割的图像进行灰度值特征,灰度共生特征或小波特征进行提取;
(2)对所提取的特征数据进行归一化处理,以去除数据间量级的影响;
(3)对归一化后的特征数据,根据不同的特征,分别计算所有样本的重要度;
3a)对于灰度值特征,按照下式计算所有样本的重要度:
Ii=1/min{v′i,255-v′i}i=1,2,…,N
其中,N是样本总数,v′i是第i个样本的灰度值;
3b)对于灰度共生特征,按照下式计算所有样本的重要度:
其中,N是样本总数,vi(j)′,j=9,…,12分别是第i个样本在θ取值的4个方向上的能量值。
3c)对于小波特征,按照下式计算所有样本的重要度:
其中,N是样本总数,v′ij,j=7,…,10是第i个样本的低频子带能量值。
(4)对所有样本的重要度I={Ii,i=1,2,…,N}从高到低进行排序,并选择重要度高的前100个样本作为采样的样本子集;
(5)根据方法,用选出的样本子集求解所有样本谱映射后的特征向量空间,并取其前k个特征值对应的特征向量进行降维,其中k是给定的类别数;
(6)对降维后的数据进行k-means聚类,作为图像的最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100137222A CN101763514B (zh) | 2010-01-15 | 2010-01-15 | 基于特征重要度排序谱聚类的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100137222A CN101763514B (zh) | 2010-01-15 | 2010-01-15 | 基于特征重要度排序谱聚类的图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101763514A true CN101763514A (zh) | 2010-06-30 |
CN101763514B CN101763514B (zh) | 2012-03-28 |
Family
ID=42494670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100137222A Expired - Fee Related CN101763514B (zh) | 2010-01-15 | 2010-01-15 | 基于特征重要度排序谱聚类的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101763514B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122353A (zh) * | 2011-03-11 | 2011-07-13 | 西安电子科技大学 | 利用增量字典学习与稀疏表示进行图像分割的方法 |
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
CN102436645A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于mod字典学习采样的谱聚类图像分割方法 |
CN102622756A (zh) * | 2012-03-14 | 2012-08-01 | 西安电子科技大学 | 基于全变分谱聚类的sar图像分割方法 |
CN102799891A (zh) * | 2012-05-24 | 2012-11-28 | 浙江大学 | 基于地标点表示的谱聚类方法 |
CN102903104A (zh) * | 2012-09-13 | 2013-01-30 | 杭州电子科技大学 | 一种基于减法聚类的快速图像分割方法 |
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
CN103164713A (zh) * | 2011-12-12 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 图像分类方法和装置 |
CN107992893A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 压缩图像特征空间的方法及装置 |
CN109635789A (zh) * | 2019-01-23 | 2019-04-16 | 西安电子科技大学 | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 |
CN110019874A (zh) * | 2017-12-29 | 2019-07-16 | 上海全土豆文化传播有限公司 | 索引文件的生成方法、装置及系统 |
CN110781935A (zh) * | 2019-10-16 | 2020-02-11 | 张磊 | 一种通过迁移学习实现轻量级图像分类的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100552699C (zh) * | 2007-11-27 | 2009-10-21 | 海信集团有限公司 | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 |
CN101251894A (zh) * | 2008-01-28 | 2008-08-27 | 天津大学 | 基于红外热成像的步态特征提取方法和步态识别方法 |
CN100557626C (zh) * | 2008-06-27 | 2009-11-04 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
-
2010
- 2010-01-15 CN CN2010100137222A patent/CN101763514B/zh not_active Expired - Fee Related
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
CN102122353A (zh) * | 2011-03-11 | 2011-07-13 | 西安电子科技大学 | 利用增量字典学习与稀疏表示进行图像分割的方法 |
CN102436645A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于mod字典学习采样的谱聚类图像分割方法 |
CN103164713A (zh) * | 2011-12-12 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 图像分类方法和装置 |
CN103164713B (zh) * | 2011-12-12 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 图像分类方法和装置 |
CN102622756A (zh) * | 2012-03-14 | 2012-08-01 | 西安电子科技大学 | 基于全变分谱聚类的sar图像分割方法 |
CN102799891A (zh) * | 2012-05-24 | 2012-11-28 | 浙江大学 | 基于地标点表示的谱聚类方法 |
CN102903104B (zh) * | 2012-09-13 | 2015-04-29 | 杭州电子科技大学 | 一种基于减法聚类的快速图像分割方法 |
CN102903104A (zh) * | 2012-09-13 | 2013-01-30 | 杭州电子科技大学 | 一种基于减法聚类的快速图像分割方法 |
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
CN102982539B (zh) * | 2012-11-09 | 2015-05-27 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
CN107992893A (zh) * | 2017-12-08 | 2018-05-04 | 北京小米移动软件有限公司 | 压缩图像特征空间的方法及装置 |
CN107992893B (zh) * | 2017-12-08 | 2022-01-04 | 北京小米移动软件有限公司 | 压缩图像特征空间的方法及装置 |
CN110019874A (zh) * | 2017-12-29 | 2019-07-16 | 上海全土豆文化传播有限公司 | 索引文件的生成方法、装置及系统 |
CN110019874B (zh) * | 2017-12-29 | 2021-09-24 | 阿里巴巴(中国)有限公司 | 索引文件的生成方法、装置及系统 |
CN109635789A (zh) * | 2019-01-23 | 2019-04-16 | 西安电子科技大学 | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 |
CN110781935A (zh) * | 2019-10-16 | 2020-02-11 | 张磊 | 一种通过迁移学习实现轻量级图像分类的方法 |
CN110781935B (zh) * | 2019-10-16 | 2023-09-15 | 张磊 | 一种通过迁移学习实现轻量级图像分类的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101763514B (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101763514B (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
Cao et al. | Ensemble extreme learning machine and sparse representation classification | |
CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN101807258B (zh) | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN102651073A (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN106909946A (zh) | 一种多模态融合的商品分类系统 | |
CN102346851B (zh) | 基于njw谱聚类标记的图像分割方法 | |
CN102436645B (zh) | 基于mod字典学习采样的谱聚类图像分割方法 | |
CN106846322A (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN102662167A (zh) | 一种水下目标辐射噪声信号的特征提取方法 | |
CN101673398A (zh) | 基于免疫稀疏谱聚类的图像分割方法 | |
CN103136757A (zh) | 基于流形距离的两阶段聚类算法的sar图像分割方法 | |
CN111428631A (zh) | 无人机飞控信号可视化识别分选方法 | |
Dong et al. | Feature extraction through contourlet subband clustering for texture classification | |
CN112115871B (zh) | 适用于行人目标检测的高低频交织边缘特征增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120328 Termination date: 20180115 |