面向图像分割的谱聚类算法研究
发布时间：2020-12-15 03:50
随着大数据时代的到来,数据的多样性和复杂性已成为常态。数据挖掘技术通过提取海量数据中的有效信息,并对其进行处理和分析,以实现人们预期的目标。聚类分析是数据挖掘技术的一项重要研究分支,而谱聚类是聚类分析的一种有效方法。谱聚类以谱图划分作为理论基础,通过将聚类问题转化为图划分问题,从而实现在任意形状的样本空间中进行聚类。谱聚类由于聚类效果表现良好,因而被广泛用于数据挖掘的各个领域,其中,图像分割领域成为了谱聚类的重要应用领域之一。图像分割是图像数据处理环节中的关键步骤,图像分割性能的优劣将直接影响到图像认知理解的准确程度。因此,围绕图像分割的研究引发了学术界和工业界的普遍关注。彩色图像的分辨率随着数字技术的发展得到了提升,由此造成了图像尺寸的扩大。针对谱聚类算法在图像分割时运算复杂度大,处理时间长以及分割效果较为粗糙等问题,本文对超像素图像预处理算法和谱聚类图像分割算法进行了研究,其主要内容如下:1.针对传统谱聚类算法在图像分割时将单一像素点作为处理单元所带来的运算复杂度较大的问题,本文引入了超像素算法对彩色图像进行预处理。传统超像素SLIC算法在处理过程中需要人为设定均衡特征参数,针对这...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图像工程体系描述Figure1-1Imageengineeringsystemdescription图1-1描述了图像分割在图像数据处理过程中的定位和目标
2理论基础15kmaxkkiisgsCUEsgg(2-12)公式(2-12)中，图像中全部像素点的数量为N，s为算法分割之后形成的超像素区域，ks描述超像素集的第k个区域块，ig定义为人工分割真值g中的第i个区域块，maxkgs为真值图像区域块与实验所得区域块的最大重合面积。(3)面积方差和圆形度面积方差和圆形度是常用的衡量图像分割紧密程度的重要标准，面积方差描述了区块之间的面积大小的不同，而圆形度则体现了分割生成的区域块的形态与圆形的接近程度，圆形度越趋近于1，则代表区域块越接近圆形。(4)分割准确度分割准确率即为最优分割准确度，具体描述为经过分割之后形成的区域块中被正确标记的像素点的数目与图像中全部像素点的数目之间所形成的比例，分割的准确度越高，越能体现出分割算法的处理精度的优势，其公式描述如下：maxikikiisgASAsgg(2-13)2.3谱聚类算法(SpectralClusteringAlgorithm)2.3.1谱图划分谱聚类的理论体系发源较早，具有很长的发展历史，在众多形形色色的理论分支中，以谱图理论作为基础知识框架的最多。下面介绍谱图的几个基本概念：(1)图的概念图按照概念的相异，可以将其分为两类，分别为无向图和有向图[83]。有向图指的是图的顶点中，连接顶点之间的边是有明确方向的，相应的，无向图的定义为图像中连接顶点的边是没有方向的。在有向图中相同两个顶点不同方向的权值是不一样的，即ijjiee，而在无向图中，则有=ijjiee，无向图和有向图的概念图如图2-1所示。(a)无向图(b)有向图图2-1无向图和有向图(a)无向图(b)有向图Figure2-1Undirectedanddirectedgraphs(a)Directedgraphs(b)Undirectedgraphs
硕士学位论文28(a)(b)图3-2SLIC算法分割结果(a)原始图像(b)SLIC分割图像Figure3-2SLICalgorithmsegmentationresults(a)Originalimage(b)SLICsegmentationimage图3-2中的四幅图像是经SLIC超像素算法分割的效果图。从展示图中可以看出，经SLIC超像素算法分割之后的图像与目标轮廓之间紧密型较高，超像素区域形状较为规则、各自独立并且没有出现重合现象。3.3自适应均衡特征参数的SLIC算法(SLICAlgorithmwithAdaptiveEqualizationParameters)一般情况下，传统的SLIC超像素图像预处理算法，在对原始图像进行预处理时，会通过相应的迭代操作确定最终的聚类中心和对应的若干数量可控的超像素区域，而不同区域块之间紧密联系的程度则需要通过手动设置，不同参数对应的分割效果也不尽相同，鉴于这种情形，操作者往往需要耗费大量的时间用来调试均衡特征参数的数值，以达到令人满意的分割效果。除此之外，不同参数下图像的处理时间也并不相同。因此，为了简化处理流程以及改善图像分割的效果，在算法进行操作时，我们往往会采用一个固定的均衡特征参数来进行相应的计算。然而在现实生活中，不同应用场景下原始图像中颜色信息的分布或颜色间差异往往各不相同，在这种情况下，如果我们选择采用某个固定的权值来均衡不同图像的空间距离特征以及颜色信息特征，那么势必会造成分割效果的不理想。为了解决传统SLIC算法对于均衡特征参数获取的缺陷，本文提出了一种结合中介数学思想的自适应均衡特征参数的SLIC算法(AdaptiveSLIC，ASLIC)，该算法根据具体目标图像的尺寸和特征信息，能够根据图像的具体信息自适应的生成较好的均衡特征参数，以达到灵活运算以及提高分割效果的目的。3.3.1均衡特征参数选取方法由于SLIC算法中用于平衡坐标空间特征和颜色特征?
本文编号：2917600
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
图像工程体系描述Figure1-1Imageengineeringsystemdescription图1-1描述了图像分割在图像数据处理过程中的定位和目标
2理论基础15kmaxkkiisgsCUEsgg(2-12)公式(2-12)中，图像中全部像素点的数量为N，s为算法分割之后形成的超像素区域，ks描述超像素集的第k个区域块，ig定义为人工分割真值g中的第i个区域块，maxkgs为真值图像区域块与实验所得区域块的最大重合面积。(3)面积方差和圆形度面积方差和圆形度是常用的衡量图像分割紧密程度的重要标准，面积方差描述了区块之间的面积大小的不同，而圆形度则体现了分割生成的区域块的形态与圆形的接近程度，圆形度越趋近于1，则代表区域块越接近圆形。(4)分割准确度分割准确率即为最优分割准确度，具体描述为经过分割之后形成的区域块中被正确标记的像素点的数目与图像中全部像素点的数目之间所形成的比例，分割的准确度越高，越能体现出分割算法的处理精度的优势，其公式描述如下：maxikikiisgASAsgg(2-13)2.3谱聚类算法(SpectralClusteringAlgorithm)2.3.1谱图划分谱聚类的理论体系发源较早，具有很长的发展历史，在众多形形色色的理论分支中，以谱图理论作为基础知识框架的最多。下面介绍谱图的几个基本概念：(1)图的概念图按照概念的相异，可以将其分为两类，分别为无向图和有向图[83]。有向图指的是图的顶点中，连接顶点之间的边是有明确方向的，相应的，无向图的定义为图像中连接顶点的边是没有方向的。在有向图中相同两个顶点不同方向的权值是不一样的，即ijjiee，而在无向图中，则有=ijjiee，无向图和有向图的概念图如图2-1所示。(a)无向图(b)有向图图2-1无向图和有向图(a)无向图(b)有向图Figure2-1Undirectedanddirectedgraphs(a)Directedgraphs(b)Undirectedgraphs
硕士学位论文28(a)(b)图3-2SLIC算法分割结果(a)原始图像(b)SLIC分割图像Figure3-2SLICalgorithmsegmentationresults(a)Originalimage(b)SLICsegmentationimage图3-2中的四幅图像是经SLIC超像素算法分割的效果图。从展示图中可以看出，经SLIC超像素算法分割之后的图像与目标轮廓之间紧密型较高，超像素区域形状较为规则、各自独立并且没有出现重合现象。3.3自适应均衡特征参数的SLIC算法(SLICAlgorithmwithAdaptiveEqualizationParameters)一般情况下，传统的SLIC超像素图像预处理算法，在对原始图像进行预处理时，会通过相应的迭代操作确定最终的聚类中心和对应的若干数量可控的超像素区域，而不同区域块之间紧密联系的程度则需要通过手动设置，不同参数对应的分割效果也不尽相同，鉴于这种情形，操作者往往需要耗费大量的时间用来调试均衡特征参数的数值，以达到令人满意的分割效果。除此之外，不同参数下图像的处理时间也并不相同。因此，为了简化处理流程以及改善图像分割的效果，在算法进行操作时，我们往往会采用一个固定的均衡特征参数来进行相应的计算。然而在现实生活中，不同应用场景下原始图像中颜色信息的分布或颜色间差异往往各不相同，在这种情况下，如果我们选择采用某个固定的权值来均衡不同图像的空间距离特征以及颜色信息特征，那么势必会造成分割效果的不理想。为了解决传统SLIC算法对于均衡特征参数获取的缺陷，本文提出了一种结合中介数学思想的自适应均衡特征参数的SLIC算法(AdaptiveSLIC，ASLIC)，该算法根据具体目标图像的尺寸和特征信息，能够根据图像的具体信息自适应的生成较好的均衡特征参数，以达到灵活运算以及提高分割效果的目的。3.3.1均衡特征参数选取方法由于SLIC算法中用于平衡坐标空间特征和颜色特征?
本文编号：2917600
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2917600.html
