專利名稱：基于特征重要度排序譜聚類的圖像分割方法
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圖像進行目標檢測和目標識別。

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)于類別的先驗知識，也沒有教師的指導(dǎo)，僅靠事物間的相似性作為類屬劃分的準則，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)計分析的一種，也是無監(jiān)督模式識別的一個重要分支。它把一個沒有類別標記的樣本集按某種準則劃分成若干個子集，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、計算機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，但當樣本空間不為凸時，算法會陷入局部最優(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行聚類的算法。譜聚類方法實現(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)計和網(wǎng)頁劃分等領(lǐng)域。但是，譜聚類方法需要計算一個n×n相似性矩陣的主要特征向量，n是樣本個數(shù)。這對于大規(guī)模數(shù)據(jù)，計算量是相當大的，這也成為了譜聚類方法的瓶頸問題。
Fowlkes等人提出了基于

逼近的譜聚類方法。該方法首先從所有樣本中隨機選取一個樣本子集作為代表求解特征問題，然后再將其特征向量擴展為整個樣本集合權(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。2005年Marie Ouimet等人提出的貪婪譜聚類方法很好的解決了這個問題。貪婪譜聚類方法用貪婪選取替代隨機選取選出代表全部樣本的樣本子集，并用包括所選的和未選的所有樣本，共同來估計特征空間的協(xié)方差矩陣。這使得聚類結(jié)果的穩(wěn)定性和準確率都大大提高。然而，與

方法不同，貪婪譜聚類方法采用容差作為輸入?yún)?shù)。為了輸入合適的容差來控制選取個數(shù)，需要預(yù)先知道容差和選取個數(shù)之間的關(guān)系，這在實踐中無論是計算量上還是時間復(fù)雜度上都是有很大難度的。另一方面，即使找到了合適的容差，貪婪選取方式需要逐個依次計算用已選樣本逼近當前候選樣本的誤差，當樣本規(guī)模較大時，這個過程的計算量和時間花費很大，造成圖象分割的速度非常慢。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有問題的缺點，提出了一種基于特征重要度排序譜聚類的圖像分割方法，通過對樣本進行重要度評價并采樣重要度高的樣本最大化的保留圖像信息，忽略重要度低的樣本降低計算復(fù)雜度，從而在不增加計算復(fù)雜度的情況下，提高圖象分割的速度，得到穩(wěn)定的，更優(yōu)的圖像分割結(jié)果。
為實現(xiàn)上述目的，本發(fā)明的實現(xiàn)步驟包括如下 (1)對待分割的圖像進行灰度值特征，灰度共生特征或小波特征進行提取； (2)對所提取的特征數(shù)據(jù)進行歸一化處理，以去除數(shù)據(jù)間量級的影響； (3)對歸一化后的特征數(shù)據(jù)，根據(jù)不同的特征，分別計算所有樣本的重要度； 3a)對于灰度值特征，按照下式計算所有樣本的重要度 Ii＝1/min{v′i，255-v′i}i＝1，2，…，N 其中，N是樣本總數(shù)，v′i是第i個樣本的灰度值； 3b)對于灰度共生特征，按照下式計算所有樣本的重要度 i＝1，2，…，N 其中，N是樣本總數(shù)，v′i(j)，j＝9，…，12分別是第i個樣本在θ取值的4個方向上的能量值； 3c)對于小波特征，按照下式計算所有樣本的重要度 i＝1，2，…，N 其中，N是樣本總數(shù)，v′ij，j＝7，…，10是第i個樣本的低頻子帶能量值； (4)對所有樣本的重要度I＝{Ii，i＝1，2，…，N}從高到低進行排序，并選擇重要度高的前100個樣本作為采樣的樣本子集； (5)根據(jù)

方法，用選出的樣本子集求解所有樣本譜映射后的特征向量空間，并取其前k個特征值對應(yīng)的特征向量進行降維，其中k是給定的類別數(shù)； (6)對降維后的數(shù)據(jù)進行k-means聚類，作為圖像的最終分割結(jié)果。
本發(fā)明由于根據(jù)不同的特征數(shù)據(jù)，用不同的評價標準計算所有樣本的重要度，并選擇重要度高的樣本作為采樣子集，從而最大化的保留圖像信息。
仿真結(jié)果表明，本發(fā)明與現(xiàn)有的

譜聚類方法相比，計算復(fù)雜度相同，穩(wěn)定性增加，圖像分割結(jié)果有明顯提高。



圖1是本發(fā)明圖像分割方法的流程圖； 圖2是用現(xiàn)有

譜聚類方法和本發(fā)明應(yīng)用灰度值特征對SAR圖像的分割結(jié)果仿真圖； 圖3是用現(xiàn)有

譜聚類方法和本發(fā)明應(yīng)用灰度共生特征對紋理圖像的分割結(jié)果仿真圖； 圖4是用現(xiàn)有

譜聚類方法和本發(fā)明應(yīng)用灰度共生特征對SAR圖像的分割結(jié)果仿真圖； 圖5是用現(xiàn)有

譜聚類方法和本發(fā)明應(yīng)用小波特征對紋理圖像的分割結(jié)果仿真圖； 圖6是用現(xiàn)有

譜聚類方法和本發(fā)明應(yīng)用小波特征對SAR圖像的分割結(jié)果仿真圖。

具體實施例方式 參照圖1，本發(fā)明的具體實施過程如下 步驟1.對待分割的圖像進行灰度值特征，灰度共生特征或小波特征提取 1a)對于灰度值特征，直接提取圖像中各樣本的灰度值g作為該點的特征u′i＝(vi)，其中vi＝g； 1b)對于灰度共生特征，將待分割圖象生成灰度共生矩陣pij(s，θ)，其中s是樣本xi和xj之間的距離，θ的取值為4個離散的方向0°，45°，90°，135°，每個方向上取三個統(tǒng)計量一是角二階矩，也稱能量，二是同質(zhì)區(qū)，三是對比度，每個統(tǒng)計量按照以下公式進行計算 角二階矩 同質(zhì)區(qū) 對比度 其中，N是樣本總數(shù)，p(i，j)是灰度共生矩陣pij(s，θ)第i行第j列的元素，在θ取值的4個方向上分別計算上述統(tǒng)計量，得到每個樣本的特征數(shù)據(jù)u″i＝(vi1，vi2，…，vi12)； 1c)對于小波特征，將圖像進行3層小波分解，每層分為四個子帶LL，HL，LH和HH，就可以得到10個子帶信息，然后按照如下公式對每個子帶的能量進行計算 k＝1，2，…，10 式中，coefk(i，j)表示第k個子帶中第i行第j列的系數(shù)值，M×N為子帶大小，i，j表示子帶中系數(shù)的索引，由此得到10個子帶上的能量值，構(gòu)成樣本的特征數(shù)據(jù)u′″i＝(vi1，，vi2，…，vi10)； 通過以上的特征提取步驟，根據(jù)不同的特征，就可以得到樣本的特征數(shù)據(jù)ui，對于灰度值特征ui＝u′i＝(vi)，對于灰度共生特征ui＝u″i＝(vi1，，vi2，…，vi12)，對于小波特征ui＝u′″i＝(vi1，，vi2，…，vi10)，為方便表達，以下統(tǒng)一記作ui＝(vi1，，vi2，…，vil)，其中l(wèi)是特征數(shù)據(jù)ui的維數(shù)。
步驟2.對所提取的圖像特征數(shù)據(jù)ui＝(vi1，，vi2，…，vil)進行歸一化處理，以去除數(shù)據(jù)間量級的影響 j＝1，2，…l 其中，l是特征數(shù)據(jù)ui的維數(shù)，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，通過步驟2，就可以得到歸一化后的特征數(shù)據(jù)ui＝(v′i1，，v′i2，…，v′il)。
步驟3.對歸一化后的特征數(shù)據(jù)，根據(jù)不同的特征，分別計算所有樣本的重要度。
3a)對于灰度值特征ui＝(v′i)，按照下式計算所有樣本的重要度 Ii＝1/min{v′i，255-v′i}i＝1，2，…，N 其中，N是樣本總數(shù)，v′i是第i個樣本的灰度值。
3b)對于灰度共生特征ui＝(v′i1，v′i2，…，v′i12)，按照下式計算所有樣本的重要度 i＝1，2，…，N 其中，N是樣本總數(shù)，v′i(j)，j＝9，…，12分別是第i個樣本在θ取值的4個方向上的能量值。
3c)對于小波特征ui＝(v′i1，，v′i2，…，v′i10)，由于低頻信息能夠表達圖像的輪廓信息，按照下式計算所有樣本的重要度 i＝1，2，…，N 其中，N是樣本總數(shù)，v′ij，j＝7，…，10是第i個樣本的低頻子帶能量值。
步驟4.對所有樣本的重要度I＝{Ii，i＝1，2，…，N}從高到低進行排序，并選擇重要度高的前100個樣本作為采樣的樣本子集。
步驟5.根據(jù)

方法，用選出的樣本子集求解所有樣本譜映射后的特征向量空間，并取其前k個特征值對應(yīng)的特征向量進行降維，其中k是給定的類別數(shù)。
步驟6.對降維后的數(shù)據(jù)進行k-means聚類，作為圖像的最終分割結(jié)果。
本發(fā)明效果可以通過以下實驗進一步證實 1.實驗條件和內(nèi)容 實驗仿真環(huán)境為MATLAB 7.5.0，Intel(R)Pentium(R)2CPU 3.0GHz，Window XPProfessional。
實驗內(nèi)容包括用現(xiàn)有

譜聚類方法和本發(fā)明分別應(yīng)用灰度值特征，灰度共生矩陣特征和小波特征對256×256的紋理圖像和SAR圖像進行分割仿真。
2.實驗結(jié)果 1)用現(xiàn)有

譜聚類方法和本發(fā)明分別應(yīng)用灰度值特征對SAR圖像的分割結(jié)果如圖2所示，其中圖2(a)是原始圖像，圖2(b)

譜聚類方法分割結(jié)果，圖2(c)是本發(fā)明的分割結(jié)果。
由圖2的分割結(jié)果可以看出，本發(fā)明的分割結(jié)果在區(qū)域一致性，邊緣保持上都要明顯優(yōu)于

譜聚類算法，這說明本發(fā)明能夠合理的利用特征信息來評價樣本重要度，最大化的保留了圖像信息，在一定程度上減小了子集代表所有樣本造成的圖像信息損失，因此能夠得到較好的分割結(jié)果。
2)用現(xiàn)有

譜聚類方法和本發(fā)明分別應(yīng)用灰度共生特征對紋理圖像和SAR圖像的分割結(jié)果如圖3和圖4所示。其中圖3(a)和4(a)是原始圖像，圖3(b)和4(b)是

譜聚類方法分割結(jié)果，圖3(c)和4(c)是本發(fā)明的分割結(jié)果。
由圖3和圖4的分割結(jié)果可以看出，本發(fā)明的分割結(jié)果要優(yōu)于

譜聚類方法，這是因為本發(fā)明對所有樣本進行重要度評價，選擇重要度高的樣本構(gòu)成樣本子集，較

譜聚類方法的等概率隨機選取，能夠更好的保留圖像信息，得到較好的分割結(jié)果。
3)用現(xiàn)有

譜聚類方法和本發(fā)明分別應(yīng)用小波特征對紋理圖像和SAR圖像的分割結(jié)果如圖5和圖6所示。其中圖5(a)和6(a)是原始圖像，圖5(b)和6(b)是

譜聚類方法分割結(jié)果，圖5(c)和6(c)是本發(fā)明的分割結(jié)果。
從圖5和圖6的圖像分割結(jié)果可以看到，本發(fā)明在區(qū)域一致性，邊緣保持上都要比

譜聚類方法好，這是因為本發(fā)明對所有樣本進行重要度評價，并按重要度采樣樣本子集，能最大化的保留圖像信息，因而可以得到更好的分割結(jié)果。
權(quán)利要求
1.一種基于特征重要度排序譜聚類的圖像分割方法，包括如下步驟
(1)對待分割的圖像進行灰度值特征，灰度共生特征或小波特征進行提取；
(2)對所提取的特征數(shù)據(jù)進行歸一化處理，以去除數(shù)據(jù)間量級的影響；
(3)對歸一化后的特征數(shù)據(jù)，根據(jù)不同的特征，分別計算所有樣本的重要度；
3a)對于灰度值特征，按照下式計算所有樣本的重要度
Ii＝1/min{v′i，255-v′i}i＝1，2，…，N
其中，N是樣本總數(shù)，v′i是第i個樣本的灰度值；
3b)對于灰度共生特征，按照下式計算所有樣本的重要度
其中，N是樣本總數(shù)，vi(j)′，j＝9，…，12分別是第i個樣本在θ取值的4個方向上的能量值。
3c)對于小波特征，按照下式計算所有樣本的重要度
其中，N是樣本總數(shù)，v′ij，j＝7，…，10是第i個樣本的低頻子帶能量值。
(4)對所有樣本的重要度I＝{Ii，i＝1，2，…，N}從高到低進行排序，并選擇重要度高的前100個樣本作為采樣的樣本子集；
(5)根據(jù)
方法，用選出的樣本子集求解所有樣本譜映射后的特征向量空間，并取其前k個特征值對應(yīng)的特征向量進行降維，其中k是給定的類別數(shù)；
(6)對降維后的數(shù)據(jù)進行k-means聚類，作為圖像的最終分割結(jié)果。
全文摘要
本發(fā)明公開了一種基于特征重要度排序譜聚類的圖像分割方法，主要解決現(xiàn)有譜聚類方法復(fù)雜度高和穩(wěn)定性差的問題。其實現(xiàn)過程是(1)對待分割圖像提取灰度值特征，灰度共生特征或小波特征；(2)對特征數(shù)據(jù)進行歸一化處理；(3)根據(jù)歸一化后的特征數(shù)據(jù)，計算所有樣本的重要度；(4)對所有樣本的重要度進行排序，并選擇重要度高的100個樣本作為采樣的樣本子集；(5)根據(jù)方法，用選出的樣本子集求解所有樣本譜映射后的特征向量空間，并取前給定的類別數(shù)k個特征值對應(yīng)的特征向量進行降維；(6)對降維后的數(shù)據(jù)進行k-means聚類，輸出最終的圖象分割結(jié)果。本發(fā)明與現(xiàn)有的譜聚類方法相比，結(jié)果穩(wěn)定，復(fù)雜度低，圖像分割結(jié)果有明顯提高，可用于目標檢測和目標識別。
文檔編號G06K9/62GK101763514SQ20101001372
公開日2010年6月30日 申請日期2010年1月15日 優(yōu)先權(quán)日2010年1月15日
發(fā)明者緱水平, 焦李成, 張佳, 鐘樺, 吳建設(shè), 朱虎明, 楊淑媛, 莊雄, 楊輝 申請人:西安電子科技大學(xué)