Segmentation+Clustering,Graph+Cut+and+EM翻译Segmentation+Clustering,Graph+Cut+and+EM翻译.doc

分割：聚类，图割和EM 吴英 电气工程和电脑技术 西北大学 埃文斯顿，IL 60208 yingwu@ece.northwestern.edu 目录 1动机和应用 2 1.1背景减法。2 1.2对象表示。2 1.3层表示。3 2图像分割和运动分割 3 2.1图像分割。3 2.2运动分割。3 3通过聚类图像分割 4 3.1 k-均值算法。4 3.2自组织映射。5 4图像分割削减 6 4.1个基本观念。6 4.2块对角化的亲和基质。6 5通过期望最大化分割 7 5.1数据丢失的问题。7 5.2 EM迭代。9 5.3存在的问题。10 1 动机和应用 视觉分割是一个很基本的问题。直观地说，分割是组类似的部件如图像像素的图像区域，甚至视频剪辑。然而，当定义相似性度量时，这个问题变得非常复杂。例如，当人们想分割一些语义，以及定义相似的强度，颜色，纹理和运动。 例如，我们要从图像中分割出一个人。 图1：一些图像分割的例子 1.1背景减法 在大多数的视频监控应用，相机是固定的，系统应能分离前景如移动的人。因为摄像机运动是相当小的，背景图像变化不大。作为一个结果，我们可以维持背景和前景，通过从图像中减去背景得到。通常，一个自适应方案可以应用： 通过设置WA，WI和WC。背景减法技术广泛应用于视频监控和智能环境中的应用。然而，当相机是不固定的，我们将无法运用这样一个简单的分割方案。 1.2对象表示 为了实现基于内容的图像分析，我们需要有一个紧凑的图像中的对象表示。例如，为了完成目标识别，我们需要知道物体在图像中的位置和摆脱其他不属于对象的图像区域。从别处分割对象是识别的第一步。 1.3层表示 在许多应用场景建模，场景分解为不同的层次，分别由不同的对象组成，这反过来说明了分割过程。显然，给定一个单一的图像，它是很难获得分层表示。但如果我们能保持一个图像序列的运动一致性，便可以考虑不同层的情况。 2图像分割和运动分割 我们将在课堂上讨论两个分割的问题，即图像分割和运动分割。尽管有一些其他的问题但可以归结为分割问题。 2.1图像分割 图像分割是将类似的像素一起形成一套连贯的图像区域组合起来，形成一个单一的形象。像素相似性可能是基于位置，强度，颜色和不同的像素的纹理的测量。一般来说，我们可以组合这些元素在一起表示图像的像素，或使用其中的一些。例如，我们可以只使用颜色分量或使用位置和强度。因此，对于每一个像素，我们都将它与一个特征向量X联系起来。 这个演讲将集中在几个不同的方法解决这个问题，包括： ?分割聚类 ?分割图割 ?分割的EM算法 2.2运动分割 运动分割是将基于不同的像素组的运动一致性组合成相似的像素，也就是说两个相同的运动的场景的图像。例如，现场有两个不同的汽车和环境，运动分割可以根据其不同的运动以三段输出来分别代表背景环境和两辆车。我们将介绍一些在我们以后的讲座中遇到的运动分割的问题。 3通过聚类图像分割 聚类的基本意思是分组相似的数据点到不同的集群或团体。本节介绍了两个相关的方法：k-均值算法的聚类和自组织映射。在聚类中的两个最重要的问题包括相似性度量和聚类过程。 3.1 k-均值算法 我们假设集群数K给出了。我们使用的每一个簇的中心词来代表每个集群。每个聚类中心的数据点属于这样一个集群。我们如何确定一个数据点属于哪个类别？基本上，我们可以定义一个距离测量，因此，相似性度量D（x，y）可以在任何意义上。例如D（x，y）= | | X?Y | | 2。我们可以比较一个数据点到聚类中心的距离。这样一个数据点属于最近的簇： Lk是数据点Xk标签。 k-均值算法试图找到一套这样的聚类中心使得总失真最小化。在这里，失真定义为到其聚类中心的数据点的距离的总和： 为了减少φ，k-均值迭代算法有两个步骤： ?标签：假设p阶迭代以一组聚类中心词 Ci(p)为结束，i= 1，...，K，我们的标签，每个数据点基于这样一个集的聚类中心，即，?XK，我们发现： 并且集团数据点属于同一个簇： ?复位：重新计算所有聚类中心： 在标记和重新定心步骤之间的算法迭代，是有望收