CN102436645B - 基于mod字典学习采样的谱聚类图像分割方法 - Google Patents
基于mod字典学习采样的谱聚类图像分割方法 Download PDFInfo
- Publication number
- CN102436645B CN102436645B CN 201110346656 CN201110346656A CN102436645B CN 102436645 B CN102436645 B CN 102436645B CN 201110346656 CN201110346656 CN 201110346656 CN 201110346656 A CN201110346656 A CN 201110346656A CN 102436645 B CN102436645 B CN 102436645B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- characteristic
- vector
- mod
- data
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
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,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方法。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。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出了一种基于MOD字典学习采样的谱聚类图像分割方法,以得到稳定的、更准确的图像分割结果。
(1)使用灰度共生矩阵对待分割的图像进行特征提取,并将提取的特征数据X={x1,...,xi,...,xn}(i=1,...,n)归一化到[0,1]之间,得到数据X′以去除数据间量级的影响;
(2)用MOD字典方法对X′进行学习,得到字典D={d1,…,dj,…,dm},j=1,...,m,dj为字典中的原子,m为字典原子数,取300;
(3)计算特征数据X′与字典D的欧氏距离,并取距离较小的前l个数据作为采样子集S,l取300;
(5)对前k个特征值对应的特征向量进行k-means聚类,得到最终的图像分割结果,其中k是类别数,k≥1且为整数;
附图说明
图1是本发明图像分割的流程图;
图2是现有的一幅2分类纹理图像;
图4是现有的一幅3分类纹理图像;
图6是现有的一幅2分类SAR图像;
图8是现有的一幅2分类SAR图像;
图9是用本发明与现有谱聚类方法对图8的仿真分割结果图。
具体实施方式
参照图1,本发明的实施步骤如下:
步骤1.使用待分割图像的灰度共生矩阵对图像进行特征提取,并将提取的特征数据归一化,以去除数据间量级的影响。
(1a)对待分割的图像生成灰度共生矩阵P,窗口大小取16;
(1b)在0°,45°,90°和135°这4个方向上,从图像的灰度共生矩阵P中抽取以下三种二次统计量:
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P第i行第j列的元素;
在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向量xi=(fi1,fi2,…,fi12),i=1,...,n;
(1c)将n个样本的特征数据向量作为列向量构成的特征数据X={x1,...xi,…,xn},i=1,...,n,并把X归一化到[0,1]之间,得到数据X′,以去除数据间量级的影响。
步骤2.用MOD字典对归一化后的特征数据进行学习,得到字典D。
(2a)随机选取m个特征数据作为初始字典原子,构成初始字典D=(d1,…,dj,…,dm),j=1,...,m,其中字典原子dj∈Rt×1,t是每个特征数据的维数,m取300;
(2b)根据初始字典D′,利用正交匹配追踪算法对特征数据X的第i个特征数据xi进行稀疏编码,获得稀疏表示系数向量αi:
其中L为编码的稀疏度,L取4;
(2c)对n个特征数据都进行稀疏编码,将得到的n个稀疏表示系数向量作为列向量构成稀疏表示系数矩阵A={α1,...,αi,...,αn},i=1,...,n,αi是第i个特征数据xi在字典D′上的稀疏表示系数向量;
(2d)根据字典D′和稀疏表示系数矩阵A,利用最小二乘法求解目标函数把得到的最优解作为新的字典D″;
(2e)重复执行步骤(2b)、步骤(2c)和步骤(2d)N次,得到最终的字典D,N取25。
步骤3.计算特征数据与字典原子的距离,并取距离小的前l个数据作为采样子集S。
(3a)根据下式计算第j个字典原子dj与第i个特征数据xi的欧氏距离wji:
wji=||dj-xi||,j=1,...,m,i=1,...,n
将n个特征数据分别与第j个字典原子dj的欧氏距离构成dj的距离向量:wj={wj1,...,wji,...,wjn},i=1,...,n;
(3b)比较每个字典原子的距离向量中的值,把最小的欧氏距离wji对应的第i个特征数据作为采样点,得到大小为l的采样子集S,l取300。
(4a)计算采样子集S的权值矩阵W=G(S,S),其中n为特征数据个数,G()为高斯核函数;
步骤5.对前k个特征值对应的特征向量进行k-means聚类,得到最终的图像分割结果,其中k是类别数,对2分类图k取2,对3分类图k取3。
本发明效果可以通过以下实验进一步证实:
实验仿真环境为:MATLAB 7.5.0,Intel(R)Pentium(R)2CPU 3.0GHz,WindowXP Professional。
实验内容包括:用现有谱聚类方法和本发明应用灰度共生矩阵特征对256×256的纹理图像和SAR图像进行仿真分割实验。
仿真实验3:用现有谱聚类方法和本发明对图6进行仿真分割,分割结果如图7所示,其中图7(a)是现有谱聚类方法的分割结果图,图7(b)是本发明的分割结果图。
Claims (4)
1.一种基于MOD字典学习采样的谱聚类图像分割方法,包括如下步骤:
(1)使用灰度共生矩阵对待分割的图像进行特征提取,并将提取的特征数据归一化到[0,1]之间,以去除数据间量级的影响;
(2)用MOD字典方法对归一化后的特征数据集X={x1,…,xi,…,xn}(i=1,...,n)进行学习,得到字典D={d1,…,dj,…,dm},j=1,...,m,且m<=n,dj为字典中的原子,m为字典原子数,取300;
(3)计算特征数据与字典原子的欧氏距离,从X中取距离较小的前l,l≤n,l取300,个数据构成采样子集S;
(5)对前k个特征值对应的特征向量进行k-means聚类,得到最终的图像分割结果,其中k是类别数,k≥1且为整数;
2.根据权利要求1所述的基于MOD字典学习采样的谱聚类图像分割方法,其中步骤(2)所述的用MOD字典学习方法对归一化后的特征数据进行学习,得到字典,按照如下步骤进行:
(2a)随机选取m个特征数据作为初始字典原子,构成初始字典D=(d1,…,dj,…,dm),j=1,...,m,其中字典原子dj∈Rt×1,t是每个特征数据xi的维数,m取300;
(2b)根据已有字典D,利用正交匹配追踪算法对特征数据X的第i个特征数据xi进行稀疏编码,获得稀疏表示系数向量αi:
其中L为编码的稀疏度,L取4;
(2c)对n个特征数据都进行稀疏编码,将得到的n个稀疏表示系数向量作为列向量构成稀疏表示系数矩阵A={α1,...,αi,...,αn},i=1,...,n,αi是第i个特征数据xi在字典D上的稀疏表示系数向量;
(2e)用D′更新D,重复执行步骤(2b)、步骤(2c)和步骤(2d)N次,得到最终的字典D′′,N取25。
3.根据权利要求1所述的基于MOD字典学习的谱聚类图像分割方法,其中步骤(3)所述的计算特征数据与字典原子的欧氏距离,并取距离较小的前l个数据构造采样子集S,按照如下步骤进行:
(3a)根据下式计算第j个字典原子dj与第i个特征数据xi的欧氏距离wji:
wji=||dj-xi||,j=1,...,m,i=1,...,n
将n个特征数据分别与第j个字典原子dj的欧氏距离构成第j个字典原子dj的距离向量:wj={wj1,...,wji,...,wjn},i=1,...,n;
(3b)比较全部字典原子的距离向量wj(j=1,...,m)的值,把欧氏距离较小的前l个wji对应的第i个特征数据x′i作为采样点,并去掉重复特征数据,得到规模为300的采样子集S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110346656 CN102436645B (zh) | 2011-11-04 | 2011-11-04 | 基于mod字典学习采样的谱聚类图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110346656 CN102436645B (zh) | 2011-11-04 | 2011-11-04 | 基于mod字典学习采样的谱聚类图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102436645A CN102436645A (zh) | 2012-05-02 |
CN102436645B true CN102436645B (zh) | 2013-08-14 |
Family
ID=45984690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110346656 Expired - Fee Related CN102436645B (zh) | 2011-11-04 | 2011-11-04 | 基于mod字典学习采样的谱聚类图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102436645B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116762B (zh) * | 2013-03-20 | 2015-10-14 | 南京大学 | 一种基于自调制字典学习的图像分类方法 |
CN105469059A (zh) * | 2015-12-01 | 2016-04-06 | 上海电机学院 | 一种视频中的人物识别、定位和统计方法 |
CN106023221A (zh) * | 2016-05-27 | 2016-10-12 | 哈尔滨工业大学 | 基于非负低秩稀疏关联制图的遥感图像分割方法 |
CN110909582B (zh) * | 2018-09-18 | 2023-09-22 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
CN110348518A (zh) * | 2019-07-12 | 2019-10-18 | 厦门大学 | 一种基于黎曼网络的矩阵词典摘要方法 |
CN111652319A (zh) * | 2020-06-09 | 2020-09-11 | 创新奇智(广州)科技有限公司 | 一种布匹缺陷检测方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101673398B (zh) * | 2009-10-16 | 2011-08-24 | 西安电子科技大学 | 基于免疫稀疏谱聚类的图像分割方法 |
CN101763514B (zh) * | 2010-01-15 | 2012-03-28 | 西安电子科技大学 | 基于特征重要度排序谱聚类的图像分割方法 |
CN102122386B (zh) * | 2011-03-01 | 2012-08-08 | 西安电子科技大学 | 基于字典迁移聚类的sar图像分割方法 |
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 |
CN102096819B (zh) * | 2011-03-11 | 2013-03-20 | 西安电子科技大学 | 利用稀疏表示与字典学习进行图像分割的方法 |
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 |
-
2011
- 2011-11-04 CN CN 201110346656 patent/CN102436645B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102436645A (zh) | 2012-05-02 |
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 | |
CN102436645B (zh) | 基于mod字典学习采样的谱聚类图像分割方法 | |
CN102346851B (zh) | 基于njw谱聚类标记的图像分割方法 | |
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 | |
CN101673398B (zh) | 基于免疫稀疏谱聚类的图像分割方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
US20090097772A1 (en) | Laplacian Principal Components Analysis (LPCA) | |
Gao et al. | CW-SSIM based image classification | |
Dong et al. | An algorithm for underdetermined mixing matrix estimation | |
CN105931253A (zh) | 一种基于半监督学习相结合的图像分割方法 | |
CN101853509A (zh) | 基于Treelets和模糊C-均值聚类的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 | |
CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
Dong et al. | Feature extraction through contourlet subband clustering for texture classification | |
Chen et al. | Sparsity-regularized feature selection for multi-class remote sensing image classification | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
Liang et al. | Dynamic and combined gestures recognition based on multi-feature fusion in a complex environment | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
Gou et al. | Representation-based classification methods with enhanced linear reconstruction measures for face recognition | |
Li | Curvature-aware manifold learning | |
ul Haq et al. | Neural network based adaboosting approach for hyperspectral data classification | |
Ulfarsson et al. | Tuning parameter selection for nonnegative matrix factorization | |
CN106127236A (zh) | 基于狄利克雷mrf混合模型的极化sar图像分类方法 | |
Chester et al. | Machine learning for image classification and clustering using a universal distance measure |
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 |
Granted publication date: 20130814 Termination date: 20181104 |
|
CF01 | Termination of patent right due to non-payment of annual fee |