基于NJW谱聚类标记的图像分割方法

摘要

本发明公开了一种基于NJW谱聚类标记的图像分割方法，主要解决谱聚类方法稳定性差的问题。其实现过程是：(1)对待分割图像提取灰度共生特征，并进行归一化处理以去除数据间量级影响；(2)用k-means算法将特征数据聚为m类，并以与聚类中心最近邻的特征数据作为采样点，得采样子集S；(3)利用NJW谱聚类算法，对采样子集S进行聚类，得到采样子集S的标签；(4)对采样子集S进行学，训练一个支撑矢量机SVM分类器；(5)用所得的SVM分类器对所有特征数据进行测试，得到最终的图像分割结果。本发明与现有的技术相比图像分割结果稳定、准确度高，可用于目标检测和目标识别。

主权项

1.一种基于NJW谱聚类标记的图像分割方法，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k-means算法将归一化后的特征数据聚为m类，并将与聚类中心最近邻的特征数据作为采样点得到采样子集S，m取100，其按照如下步骤进行：(2a)随机选取m个特征数据作为k-means算法的初始聚类中心；(2b)在每次迭代中，求每个特征数据到聚类中心的距离，并将特征数据归到距离最小的聚类中心所在的类别中；(2c)对每一类别里的数据分别求均值，并将均值作为该类的中心；(2d)如果利用(2b)和(2c)进行迭代更新后，m个聚类中心保持不变，则迭代结束，否则继续迭代；(3)利用NJW谱聚类算法，对采样子集S进行聚类，得到采样子集S的标签，其按照如下步骤进行：(3a)计算采样子集S＝{s₁，...,s_i，...,s_m}(i＝1,...,m)的权值矩阵W＝G(S,S)，其中G()为高斯核函数；(3b)计算权值矩阵W的拉普拉斯矩阵L＝D^-1/2WD^-1/2，其中D为权值矩阵W的度矩阵，D＝{d₁,...,d_i,...,d_m}，且w_it为权值矩阵W第i行第t列元素；(3c)对拉普拉斯矩阵L进行特征分解，求出由大到小排前k个特征值λ＝{λ₁,...,λ_i，...,λ_k}所对应的特征向量其中λ_i是λ的第i个元素，是φ的第i个列向量，i＝1,2,...,k；(3d)对进行k-means聚类，得到采样子集S的标签Y＝{y₁,...,y_i...,y_m}，i＝1，...,m；(4)对采样子集S和对应的标签进行学习，训练一个支撑矢量机SVM分类器，其按照如下步骤进行： (4a)将采样子集S单位化为表示的第i个列向量；(4b)在条件0≤a_i≤1下求解得到最优解a^*，其中y_i是采样子集S中第i个采样点的标签，y_j是采样子集S中第j个采样点的标签，a∈R^m×1，a_i表示a的第i个元素，a_j表示a的第j个元素；(4c)计算SVM分类器的超分界面并记b^*的第一个分量为作为SVM分类器参数；(5)用所得的SVM分类器对所有特征数据进行测试，得到最终的图像分割结果。