基于SOM集成的图像分割研究.pdfVIP

基于SOM集成的图像分割 姜远周志华 (南京大学) 摘 要：图像分割在图像分析和图像理解中具有重要的地位．本文提出了一种基于SOM神经 网络集成的图像分割方法．方法首先用多个SOM神经网络将图像中的像素按照颜色特征和空间特 征进行聚类，得到的多个聚类结果进行结合后形成最后的分割．实验结果显示本文的方法能够比 现有的基于聚类的图像分割方法取得更好的分割性能． 关键词：图像分割；s纵；神经网络；神经网络集成；集成学习；非监督学习 一、引言 图像分割技术近些年来得到了广泛的研究并且被认为是图像处理和计算机视觉方面最困难的 课题之一[4]。在基于图像的识别系统以及支持对象查询的图像检索系统中，图像分割的结果都对 后续的处理过程起到重要的影响。图像分割的一个关键的问题是如何将图像中的对象从背景中分 离出来。目前常刚的分割方法大致为四类[1]，即闽值分割方法以及聚类，利用边缘检测分块。统 计学分割方法以及结合区域和边界信息的方法。阂值分割就是简单地根据灰度闽值将图象分成不 同的区域，它的缺陷在于忽略了图象的空间信息。边缘检测试图通过检测包含不同区域的边缘进 行图像分割，其出发点是图像的灰度在边缘上往往变化较大。从统计学出发的图象分割方法则将 图像的像素看成是具有概率分布的随机变量，比较复杂。区域增长法易造成过度分割，故常和边 缘检测结合使用。 聚类学习是非监督学习领域中的一种基础技术，具有广泛的刚途。一个好的聚类方法应该能 够将数据分成若干的簇，使得簇内的相似性最人同时簇间的相似性最小。基丁．这样的要求，研究 人员提出了一些形式各异的归纳原则[6]。事实上，聚类方法已经被麻Hj到包括图像分割在内的很 多的领域。在图像分割中[13，14]，图像像素按照其全局特征分布被分配到不同的纽里。 本文将一种经典的聚类方法叫0M神经网络[9。10]应用到图像分割中。但是和以前的使用 到聚类的图像分割方法不同的是，本文的方法不仅仅使用一个聚类器。而是使用了集成学习的技 术对多个聚类器进行了集成。具体来说，本文方法用多个不同的SOM网络将图像中的像素按照其 颜色和空间特征进行聚类，得剑了多个聚类的结果后，再将这些结果进行结合以产生最后的分割 结果。实验结果显示，本文的方法比现有的基丁聚类的图像分割方法在可靠性和鲁棒性上都更加优 越。 本文的其余部分的组织如下。第2节对SOM以及集成学习进行简单介绍，第3属介绍本文提 出的基于SOM集成的图像分割方法，第4节是实验结果，第5届对本文进行总结同时展望未来的 工作。 二、SOM网络和集成学习 SOM网络是Kohonen[9]提出的一种自组织竞争型神经网络，已经在模式识别、信号处理等 领域得到了广泛的应用。 在SOM网络中，神经元被组织成一个网格的形式，每个神经元和相邻 的神经元之间存在着一种连接关系，也就是表示了一种拓扑关系的存在。网络实现了一种从高维 输入数据到低维的神经元网格之间的非线性的投影。这样，SOM网络能够作为高维数据的聚类的工 具，它建立了一个将高维的数据空间映射到神经元网格上的拓扑结构，输入向量在拓扑距离上相 近的也能够映射到相近的神经元上。一个典型SOM网络由输入层和输出层(竞争层)两层网络组 成，两层神经元之间实现全互连。 SOM网络通过寻找最优参考向量对输入模式集合进行划分，每 个参考向量就是某一输出单元对应的扇入连接权向量。S05l算法作为一种非监督聚类方法，理论上 可以将任意维的输入模式在输出层映射成一维、二维甚至更高维的离散图形，并保持其拓扑结构 不变。SOM的训练过程很简单。每个神经元都关联着一个参考向量，在初始状态下，所有参考向量 都是随机产生的。每个输入向量与所有的参考向量进行比较，确定与当前输入向量最为接近的输 入向量对应的那个神经元。然后，所有与该神经元相邻的参考向量对照当前的输入向量进行调整。 集成学习是一种新型的学习机制，指的是为解决同一个问题训练出多个学习器，在对新的数 据进行处理时，各个学习器在新数据上的结论以某种方式进行结合，以获得最终的结果。集成学 习可以获得比单个学习器更强的泛化能力，因此，它受到了机器学习界的广泛重视[5]。通常，集 成的建立可以分为两步，即建立多个个体学习器，然后将它们的预测结果进行结合。根据个体学 习器生成方式的不同，目前的集成学习算法大致可以分为两类[17]。一类以AdaBoost[7]为代表， 在这一类算法中，个体学习器是顺序生