基于视觉特征的图像聚类方法研究.docVIP

基于视觉特征的图像聚类方法研究 　　摘要：伴随着计算机技术和互联网技术的快速发展，人类逐渐积累的数据量急剧增多。为了从海量的数据中挖掘出有用的信息，为用户提供决策支持，聚类算法得到了广泛的关注，并应用于各类数据处理与数据挖掘之中。本项目在分析图像视觉特性的基础之上，通过对图像颜色、纹理和形状多种特征信息的有效融合，利用K-均值算法进行聚类。提出的方法在采集的图像数据集上进行实验，有很好的聚类效果。 　　关键词：数据处理；数据挖掘；特征提取；聚类分析 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）31-0164-04 　　Abstract：With the rapid development of computer technology and Internet technology， the amount of data accumulated in the human gradually increased dramatically. For the vast amounts of data into useful information for the user to provide decision support， clustering algorithm has been widely attention and applied to all types of data processing and data mining applications. The project based on the analysis of visual features on the image， through the effective integration of color， texture and shape features of the image information， the use of K-Means algorithm to cluster. The proposed method can be carried out experiments on the acquired image data set， and has a good clustering effect . 　　Key words： data processing； data mining；feature extraction；cluster analysis 　　?F今，互联网上的图像信息数量如海洋般庞大，我们虽可以通过眼睛获取十分丰富的信息，然而人类可以接受的范围是有限的，如何从海量的数据之中准确、快速地将图像进行聚类，最终为人类社会的发展服务，是当前图像特征提取领域的一个研究焦点。 　　图像聚类就是运用计算机对图像库中图像进行定量分析，再把图像划分到某一种特征类别中，以代替人类对图像的视觉判别。图像聚类的过程实质上就是一个基于知识的图像理解过程，同时也是人类对图像的视觉判别的延续与发展。 　　基于视觉特征的图像聚类研究是解决视觉图像问题的一条重要途径，也是一个聚集了计算机视觉、图像处理、数据挖掘等多个研究领域的交叉研究方向。现如今，基于视觉特征的图像分类研究已越来越受到国内外研究者的关注，在近几年举办的与该领域研究相关的一些顶级国际会议，如计算机视觉与图像处理国际会议CVPR、数据挖掘国际会议KDD、ICDM等等，都有相关文献发表。 　　文献[2]中，孙君顶等人在形状特征提取中提出一种新的图像分块形状特征的描述方法，对图像采用固定块的分割方法。文献[4]中，刘丽等人介绍了关于纹理特征的所有研究方法。文献[6]中，赵书莲在应用研究过程中使用Hu不变矩算法进行形状特征的提取。在博士论文[11]中，朱蓉论述了所有视觉特征的提取方法。 　　随着研究者在聚类技术上的不断改进和创新，许多新奇且高效的聚类算法层出不穷，针对特定的问题和用户，许多学者研究出了多种具有代表性的聚类算法，并且广泛地应用于模式识别、生物信息、图像处理以及数据挖掘等领域。 　　文献[7]中，臧少杰介绍了所有聚类算法，并且将这些算法进行了比较。文献[8]中，路晶等人针对非监督学习，在基于EM算法启发式迭代优化算法的框架下，提出了6种多例聚类算法。文献[9]中，周俊祥对模糊C-均值聚类（FCM，全称为Fuzzy C-Means Algorithm）算法进行改进，有效地降低了孤立点对图像数据聚类结果的影响。 　　1 特征提取 　　基于视觉特征的网络图像特征有三个，分别为颜色、纹理、形状。特征提取是将某一模式的一组测量值进行变换，用以表现这一模式具有代表性特征的方法。通过影像分析和变换，以提取所需特征的方法。 　　1.1