[发明专利]用于图形图像的k近邻局部搜索遗传自动聚类方法

说明书

技术领域

本发明属于图像处理技术领域，可用于对形状特征明显图像的自动聚类。

背景技术

科学技术的不断发展，促使人们的研究对象越来越复杂。视觉作为人类认识和观察世界的主要手段之一，其信息不仅数量巨大而且比较复杂。颜色、形状、纹理和事物的空间关系都等是视觉信息的构成要素，可以作为研究的着眼点。形状是物体在视觉感知意义下具有的最基本特征之一，这方面的研究已经成为计算机视觉和模式识别的重要方面，而利用形状特征对事物进行识别和分类也成为了计算机视觉和模式识别研究的主要工具之一。对形状的研究有形状提取、形状匹配等。形状提取就是从图像中提取出形状信息，这方面比较著名的方法有canny等，形状匹配可分为描述、匹配等两方面。近年来有多种形状描述和匹配的方法被提出。形状描述方法有基于形状边缘轮廓的，有基于形状区域的等等。这些方法均各有优缺点。形状匹配按照一定的度量准则来衡量形状间的相似性。一对一的形状匹配没有任何先验信息，往往不能区分重要的和非重要的形状差异，无论如何设计更优良的形状描述子，都无法解决这一问题，这就需要设计更好的算法去找到形状相似度距离空间中同类形状的内在关系。

聚类分析，作为数据挖掘的重要研究方向之一，其目的是让人们识别数据集中密集和稀疏的区域，发现数据的全局分布模式，以及数据属性之间的相互关系。聚类分析已经广泛的应用到各个领域，包括数据分析、图像处理和市场分析、数据挖掘、统计学、机器学习、空间数据库技术、生物学和市场学等。传统的聚类算法，是提前给定聚类数的，但是现实生活中受诸多因素影响很多数据的聚类数是不可预知的，在这个时候自动聚类的作用凸显而出，诸多学者提出了各种各样的方法，试图解决自动聚类问题。但这些方法往往存在着缺陷：算法常常会陷入局部最优，得不到正确的聚类数。有人利用梯度下降的思想来解决自动聚类问题，并将其用于图形图像的聚类，但这种方法依旧存在着上述所说的缺陷，算法容易陷入局部最优，不能得到正确的聚类数。

发明内容

本发明的目的在于针对上述已有的技术不足，提出一种用于图形图像的k近邻局部搜索遗传自动聚类方法，以提高图像的聚类效果。

本发明的技术思路是：通过canny算子检测图像的轮廓，通过shape context方法描述图像的轮廓信息，通过dynamic programming方法、procrustes analysis方法及edit距离结合计算图像集的距离矩阵，对图像的自动聚类通过k近邻局部搜索遗传自动聚类算法来实现。其具体实现步骤如下：

（1）输入待聚类的N幅图像S_i,i＝1,…,N，利用canny算子分别对每幅图像进行边缘检测，得到各幅待聚类图像的轮廓图像I_i；

（2）对各轮廓图像I_i沿其轮廓线进行均匀采样，并以笛卡尔坐标表示采样得到的轮廓点P_ij=(x_ij,y_ij),i=1,…,N,j=1,…,M，其中，P_ij表示采样得到的第i幅轮廓图像的第j个点，x_ij,y_ij分别为轮廓点P_ij位置的横纵坐标，M为采样点的个数；

（3）计算待聚类的任意两幅图像间的距离：

（3a）用shape context方法描述轮廓图像I_i，得到轮廓图像I_i的每个轮廓点的近邻点位置分布直方图，并对该直方图进行归一化；

（3b）将归一化的近邻点位置分布直方图，用χ²统计方法，计算轮廓图像I_i轮廓点的匹配代价矩阵；

（3c）根据匹配代价矩阵，用dynamic programming方法，去除两幅轮廓图像的离群点，得到轮廓图像的对应匹配点；

（3d）对所得到的对应匹配点，用procrustes analysis方法进行变换；

（3e）将变换后的对应匹配点转换为字符串；

（3f）经过步骤（3a）到（3e）得到两幅待聚类图像S_i,S_j的字符串；

（3g）对得到的待聚类图像S_i和S_j的字符串，用Edit距离测量这两个字符串间的Edit距离E(S_i,S_j)，然后计算待聚类图像S_i和S_j之间的距离：