基于集成聚类学习的场景分割.docVIP

  基于集成聚类学习的场景分割# 姚婷婷，谢昭，高隽，赵碧茹 （合肥工业大学计算机与信息学院，合肥 230009） 5 10 15 20 25 30 35 40 摘要：本文将集成聚类机制运用到场景分割领域。集成学习通过使用大量单一分类器标签对 齐与合并，获得比仅使用个体分类器更强的泛化能力。利用超像素近邻传播思想完成聚类参 数估计，讨论集成聚类的基标签集合个数对方法的影响。本文选取 UC Berkeley 图像库中场 景，进行场景分割验证，并使用区域合并方法去除离散分割区域。实验结果说明，集成聚类 方法比单聚类器 K-means 算法能够获得更高的分割准确度。 关键词：集成学习；聚类；标签对齐；近邻传播 中图分类号：TP 391 Scene segmentation based on ensemble cluster learning YAO Tingting, XIE Zhao, GAO Jun, ZHAO Biru (School of Computer and Information, Hefei University of Technology, Hefei 230009) Abstract: This paper implements scene segmentation based on cluster ensemble, which train multiple learners combining their predictions to obtain stronger robustness from its components. In realization, cluster number is estimated by affinity propagation from image super-pixels, and segmentation performance is discussed on the number of learners. Cluster ensemble segmentation is verified in UC Berkeley image database, with region merging to eliminate small segmentation pieces. The simulation result of different images proves that this cluster ensemble algorithm can obtain a higher degree of segmentation accuracy than K-means clustering. Key words: Ensemble Learning; Cluster; Label Alignment; Affinity Propagation 0 引言 场景分割是图像分析与模式识别的首要问题,同时也是图像处理的经典难题之一。它不 仅决定了图像最终的分析质量和模式识别的判别结果，而且在将图像从原始的数据过渡到结 构化数据方面起到了重要的作用[1]。目前人们基于不同的思想，提出了很多种分割算法，如 J. Shi和J. Malik提出的，归一化图切割分割算法[2]；Pedro F. Felzenszwalb 和 Daniel P. Huttenlocher提出的基于图结构模型的分割算法[3]、Choi H，Baraniuk R G.提出的基于小波域 隐马尔可夫模型的分割算法[4]、Dorin Comaniciu, Peter Meer提出的基于mean-shift技术的图像 分割算法[5]；P. Felzenszwalb 和D. Huttenlocher提出的基于局部方程的分割算法[6]；Y. Weiss 提出的基于特征向量的分割算法[7]；D. Comaniciu和P. Meer提出的均值漂移分割算法[8]；朱 松纯屠、卓文提出的DDMCMC图像分割算法[9]等等。由于图像背景的复杂性及目标的多样 性，同一种分割算法通常很难适用于所有场景的图像分割，从而导致不同分割算法适用于不 同场景的图像。 图像分割本质上属于像素级标记问题，原始的处理方法多为采用单聚类器的聚类算法。 传统单聚类器的分类技术本身存在着一定的局限性，其过分依赖于训练集，容易产生过拟合 问题；同一种单聚类器对不同问题有不同的表现，不同的单聚类器对同一个问题的分析性能 各异。集成聚类作为一种有效提高单聚类器精度和泛化能力的算法，可以解决上述问题。集 成聚类算法，即，将集成学习的思想有效的运用到聚类算法中。集成学习的思想首先于1988 基金项目：国家自然科学基金项目；