一种数量多且维数高的图像局部特征点自适应聚类方法

摘要

一种数量多且维数高的图像局部特征点自适应聚类方法：对输入图像构造尺度空间；利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间；对每一个采样点要和它所有的相邻点比较大小；通过拟合三维二次函数以精确确定特征点的位置和尺度；对输入图像进行高斯滤波；改变高斯滤波函数的方差及高斯卷积核；对特征点进行聚类；选取偏向参数的值；计算样本点间的影响度和隶属度值；不断计算影响度和隶属度的值，直到找到合适的聚类中心；当计算次数超过设定的最大值或者当聚类中心在若干次计算中不发生改变时停止计算；对10组聚类结果进行曲线拟合，找出输入图像对应的特征点的聚类类数，对输入图像特征点进行聚类。本发明显著提升图像分析的效率。

主权项

一种数量多且维数高的图像局部特征点自适应聚类方法，其特征在于，包括如下步骤：1)对输入图像构造尺度空间；2)利用不同尺度的高斯差分核与图像卷积构建高斯差分尺度空间：D(x,y,σ)＝L(x y λσ)‑L(x y σ)  (1)其中D(x,y,σ)代表空间极值，λ表示相邻两组图像尺度差的倍值，为常数，计算公式为：λ＝2^1/S  (2)其中S为图像的层数；3)为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较大小，若一个点与该周边26个邻域点相比是最大或者最小时，认为该点是图像在该点所对应尺度下的一个特征点；4)通过拟合三维二次函数以精确确定特征点的位置和尺度，同时剔除低于对比度的特征点和不稳定的边缘效应，以增强抗噪声能力；5)对输入图像进行高斯滤波；6)改变高斯滤波函数的方差σ及高斯卷积核H，得到不同模糊化的10组图像，重复步骤1)～步骤5)，对滤波后的图像提取特征点；7)对特征点进行聚类；8)选取偏向参数p的值；9)计算样本点间的影响度和隶属度值：$\begin{array}{c}r(i,j)=S(i,j)-\max \{a(i,j^{\prime })+S(i,j^{\prime })\},\\ a(i,j)=\min \{0,r(j,j)+\underset{{\mathrm{isti}}^{\prime }\notin \{i,j\}}{\Sigma }\max \{0,r(i^{\prime },j)\left\}\right\},\end{array}---\left(3\right)$其中，S(i,j)代表相似度矩阵，影响度r(i,j)表示数据点j适合作为数据点i的类代表的影响程度；隶属度a(i,j)表示数据点i选择数据点j作为类代表的归属程度；10)不断计算影响度r(i,j)和隶属度a(i,j)的值，直到找到合适的聚类中心，所述合适的聚类中心判断依据如下：j＝arg max{a(i,j)+r(i,j)},  (4)其中若i＝j，则数据点i是聚类中心，否则数据点j是数据点i的聚类中心；11)当计算次数超过设定的最大值或者当聚类中心在若干次计算中不发生改变时停止计算，确定聚类中心及各类样本点，否则返回步骤9)继续计算；12)对10组聚类结果进行曲线拟合，在拟合曲线中找出输入图像对应的特征点的聚类类数，使用经典聚类方法K‑means算法对输入图像特征点进行聚类。