基于特征重要度排序谱聚类的图像分割方法

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)′是第i个样本在0°45°，90°，135°这4个方向上的能量值，其中j＝9，…，12；
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，vij′是第i个样本的低频子带能量值，其中j＝7，…，10；
(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。

基于特征重要度排序谱聚类的图像分割方法\n技术领域\n[0001] 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。\n背景技术\n[0002] 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。\n[0003] 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。\n[0004] 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。\n发明内容\n[0005] 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。\n[0006] 为实现上述目的，本发明的实现步骤包括如下：\n[0007] (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；\n[0008] (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；\n[0009] (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；\n[0010] 3a)对于灰度值特征，按照下式计算所有样本的重要度：\n[0011] Ii＝1/min{v′i，255-v′i}i＝1，2，…，N\n[0012] 其中，N是样本总数，v′i是第i个样本的灰度值；\n[0013] 3b)对于灰度共生特征，按照下式计算所有样本的重要度：\n[0014] i＝1，2，…，N\n[0015] 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；\n[0016] 3c)对于小波特征，按照下式计算所有样本的重要度：\n[0017] i＝1，2，…，N\n[0018] 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；\n[0019] (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；\n[0020] (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；\n[0021] (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。\n[0022] 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。\n[0023] 仿真结果表明，本发明与现有的 谱聚类方法相比，计算复杂度相同，稳定性增加，图像分割结果有明显提高。\n附图说明\n[0024] 图1是本发明图像分割方法的流程图；\n[0025] 图2是用现有 谱聚类方法和本发明应用灰度值特征对SAR图像的分割结果仿真图；\n[0026] 图3是用现有 谱聚类方法和本发明应用灰度共生特征对纹理图像的分割结果仿真图；\n[0027] 图4是用现有 谱聚类方法和本发明应用灰度共生特征对SAR图像的分割结果仿真图；\n[0028] 图5是用现有 谱聚类方法和本发明应用小波特征对纹理图像的分割结果仿真图；\n[0029] 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。\n具体实施方式\n[0030] 参照图1，本发明的具体实施过程如下：\n[0031] 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：\n[0032] 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；\n[0033] 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：\n[0034] 角二阶矩：\n[0035] 同质区：\n[0036] 对比度：\n[0037] 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)；\n[0038] 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：\n[0039] k＝1，2，…，10\n[0040] 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)；\n[0041] 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。\n[0042] 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：\n[0043] j＝1，2，…l\n[0044] 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)。\n[0045] 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。\n[0046] 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：\n[0047] Ii＝1/min{v′i，255-v′i} i＝1，2，…，N\n[0048] 其中，N是样本总数，v′i是第i个样本的灰度值。\n[0049] 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：\n[0050] i＝1，2，…，N\n[0051] 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。\n[0052] 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：\n[0053] i＝1，2，…，N\n[0054] 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。\n[0055] 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。\n[0056] 步骤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。\n[0057] 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。\n[0058] 本发明效果可以通过以下实验进一步证实：\n[0059] 1.实验条件和内容\n[0060] 实验仿真环境为：MATLAB 7.5.0，Intel(R)Pentium(R)2CPU 3.0GHz，Window XPProfessional。\n[0061] 实验内容包括：用现有 谱聚类方法和本发明分别应用灰度值特征，灰度共生矩阵特征和小波特征对256×256的纹理图像和SAR图像进行分割仿真。\n[0062] 2.实验结果\n[0063] 1)用现有 谱聚类方法和本发明分别应用灰度值特征对SAR图像的分割结果如图2所示，其中图2(a)是原始图像，图2(b) 谱聚类方法分割结果，图2(c)是本发明的分割结果。\n[0064] 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。\n[0065] 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。\n[0066] 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。\n[0067] 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\n谱聚类方法分割结果，图5(c)和6(c)是本发明的分割结果。\n[0068] 从图5和图6的图像分割结果可以看到，本发明在区域一致性，边缘保持上都要比谱聚类方法好，这是因为本发明对所有样本进行重要度评价，并按重要度采样样本子集，能最大化的保留图像信息，因而可以得到更好的分割结果。