matlab实现谱聚类法图像分割代码,一种基于谱聚类的图像分割方法与系统与流程...

本发明是一种基于谱聚类的图像分割方法与系统，涉及聚类、机器学习和人工智能领域。特别涉及通过相关性将已经学习到的知识运用到图像分割中，并在此基础上构造性地改造谱聚类方法，从而达到快速精确地分割彩色图像的目的。

背景技术：

聚类是一种无监督学习方法，主要处理目标为无标记的数据。聚类的目的是按照数据点之间的内在联系，将其划分成若干类别，使得同一类别内数据点的相似性较大，而不同类别之间数据点的相似性较小。传统的聚类方法，如k-means方法、FCM方法和EM方法等，它们虽然理论思想简单易于实现，但却缺乏处理复杂数据结构的能力，当待处理样本空间为非凸时，方法往往容易陷入局部最优。谱聚类方法由于在实际应用领域中良好的表现，以及理论简单和易于实现等特点，引起了学术界越来越多的关注。

谱聚类的理论思想建立在谱图理论的基础之上，它是数据挖掘的一种有效方法，谱聚类方法通过把数据聚类的求解问题转化成图的划分问题进行求解，以此发现不同数据之间的内在联系，谱聚类方法尤其适用于数据集非凸的情况。目前，国内外应用较多谱聚类方法在对图像进行分割时都必须建立在图像的原始像素点上。这种分割基础决定了谱聚类方法在实际应用中的处理时间过于漫长，计方法复杂度过大。可能不适用于对图像的实时处理任务，而且灵活性和可扩展性非常低。

技术实现要素：

为了解决上述问题，本发明一种基于谱聚类的图像分割方法与系统，提出基于传统谱聚类，也就是基于目前根据原始像素点处理图像的学习方法，引入超像素方法的预处理步骤，将图像的原始像素点预分割成若干像素点聚集的区域，并根据这些区域进行聚类的方法。本发明提出的方法利用已有知识与学习目标的相关性来决定聚类的方式，从而实现缩短计算时间，优化分割效果，进而使计算复杂度得以简化的学习任务。

本发明是通过以下方案实现的：

本发明一种基于谱聚类的图像分割方法与系统，首先,本文简要介绍了图像分割的基本概念,引入了图像分割的应用背景以及在数学上的定义再侧重于无监督分割方法的介绍,主要讲述了无监督图像分割的原理与当前在无监督分割领域的一些经典方法。本文研究内容如下：

(1)简要地概述了SLIC超像素方法的基础理论，其中具体包括该方法的基本理论形式、主体思想、方法的实现步骤以及处理过程。

(2)介绍了传统Ncut方法的基础理论、方法的具体实现步骤以及过程。

(3)为了降低Ncut方法的计算复杂度，提高其处理速度并减少存储负担。

本文提出了一种基于SLIC超像素方法的图像分割方法，首先采用SLIC超像素方法对原图像进行预处理操作，在这一步骤完成后可以产生数量可控的超像素区域，而后可以通过本文提出的相关公式来构造具有特定图像特征的相似性矩阵W，利用此矩阵作为传统Ncut方法的输入数据集进行图像聚类和分析。

本发明具有以下优点及效果：

(1)极大地降低了方法原本庞大的计算量，使得方法在处理过程中所必须的相似性矩阵的阶数有所减少，精减了计算时间，减少了计算机的存储负担。

(2)具有更快的学习速度。

(3)图像的最终分割效果较为良好。

本发明具体步骤如下：

(1)在原始图像上按照等距离L选取K个初始聚类中心，其中N为原始图像的像素点个数；

(2)为了避免将边界点或者奇异点当作成是聚类中心点，在这里我们尝试将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点；

(3)在每个聚类中心周围2L×2L的像素点区域内进行聚类，其中具体聚类的准则设置为区域像素点与其聚类中心之间的距离以及两者的亮度特征；

(4)在方法操作得到新的聚类结果中，通过选择每类区域中的每个像素点的位置以及亮度特征信息进行整合，计算其均值。

(5)若所得到的新的聚类中心与之前所得到的差异值小于事先所制订的某个阈值，则继续第6步的操作，否则，重新回到第2步，继续进行迭代聚类计算；

(6)根据公式

来计算超像素的特征信息；

(7)依据各个超像素的特征信息，用Ncut方法来把这些超像素进行聚类得到最终的分割结果。

本发明具有以下优点及效果：

(1)极大地降低了方法原本庞大的计算量，使得方法在处理过程中所必须的相似性矩阵的阶数有所减少，精减了计算时间，减少了计算机的存储负担。

(2)具有更快的学习速度。

(3)图像的最终分割效果较为良好。

附图说明

为了对本发明进一步理解，更清楚地说明本发明实施例,下面将对实施例描述中所需要使用的附图作简单介绍。

图1为本申请实施案例提供的一种基于共享近邻的约束谱聚类方法的流程图。

具体实施方式

下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施案例仅仅是本申请一部分实施例。基于本申请中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

实施例1

如图1所示，本实施案例包括以下步骤：

输入：原始图像，待分割图像的像素数目N，初始化聚类中心点(种子点)数目k，LAB颜色特征与XY坐标特征下的紧密比例m_compactness，聚类数目n。

输出：包含最终聚类信息的特征矩阵U

步骤1，利用超像素SLIC方法进行初始聚类。

步骤1.1：计算相似度量的设定和距离的测量。在本文中距离的测量具体可分为颜色距离以及空间距离。根据公式

对图像分割中的直线边界进行了测量，并根据公式

对图像中的位置信息和颜色信息进行了测量。

步骤1.2：对特征信息进行整合，其计算公式如下：

其中，α是经验权重，通过以上计算，可以得出每一对数据点的相似度度量。

步骤2利用谱聚类方法对生成的相似度矩阵进行分割。

计算度矩阵，其计算公式如下：

步骤2.1：计算度矩阵，其计算公式如下:

步骤2.2:构造目标函数，其计算公式如下：

subject to：X∈{0，1}N×K,X1K＝1N

步骤3：返回最终聚类结果。

最终，整个训练过程以输出阶段结束。