基于概念格图像特征数据降维.docVIP

基于概念格图像特征数据降维 　　摘 要:高维图像特征数据不利于图像数据挖掘。为了降低图像特征数据维数,提出了基于概念格的降维算法,该算法将图像的HSV颜色特征转换为图像形式背景,再对背景的概念格进行属性约简。实验结果表明,该降维方法比较有效,并且较主成分分析具有明显的优势。 　　关键词:图像挖掘; 维度灾难; 形式背景; 概念格; 属性约简; 数据降维 　　中图分类号:TP18文献标志码:A 　　文章编号:1001-3695(2009)09-3553-03 　　doi:10.3969/j.issn.1001-3695.2009.09.102 　　 　　Image feature data dimension reduction based on concept lattices 　　LUO Wei??a, WANG Li??a, AI Li??b, WANG Yue-hang??a 　　 (a. School of Computer Science Engineering, b. School of Science, University of Science Technology Liaoning, Anshan Liaoning 114051, China) 　　Abstract:High-dimensional image feature data is an obstacle for image mining. In order to reduce the image feature data dimension, this paper introduced a dimension reduction algorithm based on concept lattices. In this algorithm, calculated the concept lattices of the image formal, which was transformed from the HSV color feature, and then reduced the attributes of the concept lattice. The experiment results prove that this method is efficient, and it outperforms the principal component analysis (PCA). 　　Key words:image mining; curse of dimensionality; formal context; concept lattices; attribute reduction; data dimension reduction 　　 　　随着数字成像技术和设备的广泛应用,每天都会产生大量的图像数据,然而如何对这些图像进行自动分析以获取大量有用的知识,这就需要使用图像挖掘技术。图像数据本身是一种半结构化或非结构化数据,若要使用数据挖掘领域成熟的数据挖掘方法对图像数据进行挖掘,必须先将数据结构化,即对图像进行预处理。图像预处理阶段最重要的是图像特征的提取、表示与描述。但是在特征提取过程中,会得到有关图像的很多特征数据,导致图像特征维度过高,这样容易引起图像挖掘精度的下降,还可能导致图像挖掘算法的复杂度过高,称为图像数据维度灾难。 　　虽然使用相关技术能够提取的图像特征非常多,达到的维数非常高,但在实际的图像挖掘中,必需的图像特征维数并不高。因此对于高维图像特征,为了降低所提取图像特征维数之间的相关性,需要消除图像特征之间的依赖性,该过程被称为高维图像特征数据降维。 　　目前,常用的数据降维算法主要有独立成分分析(ICA)、主成分分析(PCA)和因子分析(FA)等。另外还有近几年发展起来的基于流形学习的非线性维数约简方法,如LLE、Isomap等[1]。 　　概念格又称为Galios格,是Wille教授[2]于1982年首先提出来的。概念格是根据数据集中对象与属性之间的二元关系建立的一种概念层次结构,是一种有效的数据分析工具。概念格描述了对象与属性之间的泛化和特化关系,因此具有很好的知识表示和描述知识发现问题的能力。作为数据分析的有力工具,概念格理论已经被广泛地应用于知识发现和数据挖掘领域。 　　本文将利用概念格属性约简理论对图像颜色特征数据进行数据降维。 　　 　　1 概念格的基本概念 　　 　　1.1 形式背景与概念格 　　定义1 一个形式背景是一个三元组??(G, M, I),其中G和M是集合,二元关系I=G×M,G和M的元素相应地被称为对象和属性。通常用gIm表示(g, m)∈I,