基于符号图的半监督聚类离散优化及其在图像分割的应用

发布时间：2021-03-29 01:45

　　基于图的半监督聚类是较为典型的半监督学习方法,通常以无符号图表征数据,以非负权重衡量节点间相似性。真实复杂系统中,无符号图难以区分无关和对立关系,而符号图中负边则可将对立关系显式表达,为聚类提供更多有效信息,近来在一些领域,如图像分割,取得了良好的效果。本文关注基于符号图规范化割（Signed Normalized cut,SNcut）的半监督聚类离散优化及其在图像分割上的应用,现有研究成果较少,且存在明显不足。在图像分割问题上,仅考虑了划线交互形式,对于其它更弱的监督形式,如何构建符号图尚无解决方案。在模型优化方面,主要采用谱方法,需在实域空间中求解离散的聚类问题,所得结果较为粗糙,且当图的规模较大时,计算复杂度明显增加。尽管有研究使用其它方法对个别SNcut目标的一阶近似函数进行离散优化求解,但其效果尚未得到进一步验证。本文以图像分割为实验对象,讨论了符号图的构建与SNcut聚类目标的离散优化方法,主要工作包括:（1）利用高斯混合模型构造符号图,将符号图聚类应用于box形式下的图像分割。box监督信息难以直接表达为成对约束,采用高斯混合模型将其转换为成对约束,构造符号图,利用谱方法... 

【文章来源】：湖南师范大学湖南省 211工程院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

划线与box

7定性，国内外研究学者至今还无法对图像分割问题给出通用的解决方法，目前还没有全自动的分割算法可以达到人工标注的效果，故图像分割仍然是科研人员研究与探讨的热点。(a)(b)(c)图1-4图像分割应用举例图像分割是从图像处理转换到图像分析、从而进一步理解图像的基础步骤，其质量的好坏直接影响后续处理的结果。基于图聚类的图像分割方法近来十分流行，得到了广泛研究。基于图聚类的图像分割方法可以十分自然地将图像映射为图，图像的像素点与图中节点有很好的对应关系，像素点间以边相连，其相似性作为图的边权。将图像映射为图后，可利用图的相关理论与数学性质进行优化求解。经典图聚类准则Ncut在图像分割领域已有大量研究，一般首先将图像映射为无符号图，像素点间相似性以非负权重衡量，然后采用谱方法计算无符号图Ncut的特征值与特征向量，最后对特征向量进行k-means聚类，得到最终图像分割结果。Ncut虽一定程度上保证了类间划分平衡性，但其图像分割效果仍不太令人满意。为提升图像分割效果，Chew等[20]提出了SSNcut，将监督信息表达为成对约束以更好地指导分割，同样采用谱方法求解。图像中目标与背景的像素种子点间存在明显互斥关系，但在无符号图聚类中，将像素点间的无关与互斥关系均赋以0权重，难以区分它们，且可能丢失部分有效聚类信息。若将图像映射为符号图，则目标与背景的像素种子点间互斥关系可用负边显示表达，为图聚类提供更多信息。现有研究[24,41]将满足成对约束中ML的种子点间赋为正权重，满足CL的种子点间赋为负权重，以此构造符号图，然后采用谱方法求解SNcut。图像分割中，MRF正则化子的应用十分普遍，如二阶Potts模型可在分割时加强目标边界对齐性。Tang等[40]提出了界优化与图割组合的核割算法，采用?

成对约束


本文编号：3106656