[发明专利]基于约束对的半监督核K均值聚类的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分割技术领域的一种基于约束对的半监督核K均值聚类的图像分割方法。本发明可用于对纹理图像、自然图像和SAR图像进行分割，以达到目标识别的目的。

背景技术

近年来，将半监督聚类的思想应用于图像分割是图像分割领域的一个热门研究方向。半监督聚类主要包括基于约束对的方法和基于种子集的方法。从分割结果的角度看，图像分割的过程就是给每个像素赋予一个标号，该标号反映像素在分割结果中所属的类别。只要找到这些特征的标号，就能实现对像素的分类，从而得到图像分割的结果。

目前，人们更多采用无监督聚类的方法来进行图像分割。用聚类方法分割图像是用每个图像像素的特征表示其像素，通过把该像素特征作为对象进行聚类的方法，找到这些特征和其对应像素的标号，从而达到图像分割的目的。而传统的图像分割技术对纹理图像中的噪声敏感，易造成过分割现象。纹理作为图像的一个重要特征，在计算机视觉和图像处理中有重要应用，比如早期的癌细胞识别和遥感图像中军事和民用目标的识别。

华中科技大学在其申请的专利“一种遗传模糊聚类的图像分割方法”（专利申请号200910273517.7，公开号CN102622761A）中公开了一种利用遗传模糊聚类分配像素标号的图像分割方法。该方法在聚类过程中，加入聚类中心间距惩罚措施，虽然能有效分割噪声干扰严重且待分割目标较小的图像，获得正确的聚类中心，但该方法存在的不足是，分割结果依赖于像素的空间分布，如果该空间分布的边界是线性不可分的，以及类分布为非高斯分布或类分布为非椭圆分布的样本不能更好的聚类，导致该分割方法鲁棒性不强，降低了多次分割运行的平均准确度。

西安电子科技大学在其申请的专利“基于空间邻域信息的FCM纹理图像分割方法”（专利申请号201010522144.5，公开号CN101976438A）中公开了一种利用空间邻域信息的FCM聚类分配像素标号的图像分割方法。该方法能保证空间信息的完整性，减少杂点，但是该方法存在的不足是，分割结果依赖于聚类中心的初始化，对初始聚类中心的选择敏感，容易陷入局部最优，导致该分割方法鲁棒性不强，降低了多次分割运行的平均准确度。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于约束对的半监督核K均值聚类的图像分割方法。本发明提取图像每个像素的小波纹理特征，用基于核K均值算法和半监督聚类的思想对该小波纹理特征向量矩阵进行聚类，进而对像素进行类划分，达到图像分割的目的。

实现本发明目的的基本思路是：首先，从所选待分割图像中提取特征信息进行前期处理以产生聚类对象数据矩阵；然后，在聚类过程中结合核K均值聚类算法和基于约束的半监督聚类的思想寻找最佳的聚类中心；最后，对分割后的每一个类标号，从灰度值范围[0,255]中任意选择一个整数作为该类标号对应聚类对象数据的灰度值，实现对图像的分割。

为实现上述目的，本发明具体实现步骤包括如下：

（1）选择图像：

1a）从纹理图像库中下载多幅纹理图像，任选多幅纹理图像中的一幅图像作为待分割图像；

1b）从纹理图像库中下载与待分割图像对应的参考图像。

（2）提取待分割图像纹理特征：

2a）在待分割图像中，以待提取特征的像素点为中心，选取一个大小为16×16的窗口，得到子图像块；

2b）利用小波分解公式，提取子图像块中所有像素的10维特征，得到10维小波特征向量矩阵。

（3）产生聚类对象数据矩阵：

利用线性公式，将10维小波特征向量矩阵映射到闭区间[-1,1]内，得到聚类对象数据矩阵。

（4）划分聚类对象数据矩阵：

4a)从聚类对象数据矩阵中，随机选择满足cannot-link约束条件的10对聚类对象数据A和满足must-link约束条件的10对聚类对象数据B；

4b)从聚类对象数据B中找出类标号相同的聚类对象数据，分别求每个类标号相同的聚类对象数据的平均值，将所求的平均值作为聚类中心值；

4c）利用高斯核函数，计算聚类对象数据矩阵中每个聚类对象数据与聚类中心值的距离；

4d）利用最小距离原则，给每个聚类对象数据标上与它距离最近的聚类中心值相同的类标号，得到聚类对象数据的类标号；

4e)判断聚类对象数据A和B的类标号是否满足cannot-link约束条件和must-link约束条件，如果满足，则执行步骤4f），否则，执行步骤4a）；