[发明专利]基于MOD字典学习采样的谱聚类图像分割方法

说明书

技术领域

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。

背景技术

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，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。

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方法。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。

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。后来提出的k均值谱聚类方法，在一定程度上解决了不稳定问题。该方法用k-means方法对数据集预聚类，将与预聚类得到的中心点最近邻的数据点作为采样点，取代了原来的随机采样。但由于k-means方法本身并不是一种完全稳定聚类方法，当样本空间不为凸时，算法会陷入局部最优，所以k均值谱聚类方法图像分割结果很不稳定。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出了一种基于MOD字典学习采样的谱聚类图像分割方法，以得到稳定的、更准确的图像分割结果。

为实现上述目的，本发明通过对样本进行MOD学习得到字典，并根据样本与字典的距离，把那些距离较小的样本作为采样点，最大化保留图像信息，再利用逼近谱聚类算法划分得到所有样本的标签，具体步骤包括如下：

(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X＝{x₁，...，x_i，...，x_n}(i＝1，...，n)归一化到[0，1]之间，得到数据X′以去除数据间量级的影响；

(2)用MOD字典方法对X′进行学习，得到字典D＝{d₁，…，d_j，…，d_m}，j＝1，...，m，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X′与字典D的欧氏距离，并取距离较小的前l个数据作为采样子集S，l取300；

(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；

本发明由于对特征数据通过字典学习得到字典，并选择与字典距离最近的特征数据作为采样子集，最大化地保留了图像信息，使采样子集具有代表性；同时本发明利用字典采样子集对剩余数据进行嵌入，使图像分割性能有明显提升。

附图说明

图1是本发明图像分割的流程图；

图2是现有的一幅2分类纹理图像；

图3是用本发明与现有谱聚类方法对图2的仿真分割结果图；

图4是现有的一幅3分类纹理图像；

图5是用本发明与现有谱聚类方法对图4的仿真分割结果图；

图6是现有的一幅2分类SAR图像；

图7是用本发明与现有谱聚类方法对图6的仿真分割结果图；

图8是现有的一幅2分类SAR图像；

图9是用本发明与现有谱聚类方法对图8的仿真分割结果图。

具体实施方式

参照图1，本发明的实施步骤如下：

步骤1.使用待分割图像的灰度共生矩阵对图像进行特征提取，并将提取的特征数据归一化，以去除数据间量级的影响。