[发明专利]基于MOD字典学习采样的谱聚类图像分割方法

权利要求书

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，…，x_i，…，x_n}(i＝1，...，n)进行学习，得到字典D＝{d₁，…，d_j，…，d_m}，j＝1，...，m，且m＜＝n，d_j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_p；

(4)利用 方法，从选出的采样子集S得到所有特征数据的特征向量；

(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，…，d_j，…，d_m)，j＝1，...，m，其中字典原子d_j∈R^t×1，t是每个特征数据x_i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x_i进行稀疏编码，获得稀疏表示系数向量α_i：

s.t.||α_i||₀＜L

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，...，α_i，...，α_n}，i＝1，...，n，α_i是第i个特征数据x_i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)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(2)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d_j与第i个特征数据x_i的欧氏距离w_ji：

w_ji＝||d_j-x_i||，j＝1，...，m，i＝1，...，n

将n个特征数据分别与第j个字典原子d_j的欧氏距离构成第j个字典原子d_j的距离向量：w_j＝{w_i1，...，w_ji，...，w_jn}，i＝1，...，n；

(3b)比较全部字典原子的距离向量w_j(j＝1，...，m)的值，把欧氏距离较小的前l个w_ji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。

4.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(4)所述的利用 方法，从选出的采样子集S得到所有特征数据的特征向量，按照如下步骤进行：

(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；

(4b)对权值矩阵W进行特征分解，求出特征值λ＝{λ₁，...，λ_i，...，λ_l}和特征向量 其中λ_i是λ的第i个元素， 是 的第i列向量，i＝1，2，...，l；

(4c)由W的特征值λ和特征向量 根据下式计算得到φ的第j个列向量 

将n个列向量构成所有特征数据的特征向量：