基于约束的半监督聚类的图像分割算法研究-电子与通信工程专业论文.docxVIP

声明 西安电子科技大学 学位论文独创性（或创新性）声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名： 日期 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保 留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内 容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后 结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。 （保密的论文在解密后遵守此规定） 本学位论文属于保密，在 年解密后适用本授权书。 本人签名： 日期 导师签名： 日期 摘要 摘 要 图像分割是图像分析和模式识别的重要问题，这在很大程度上决定着图像判 别分析的结果，因此，为了更好的分析图像，图像分割也就显得愈来愈重要。而 近年来出现的半监督学习，能够充分挖掘和利用图像的先验信息来使图像的分割 结果更加高效、准确，因而已经成为机器学习的一个研究热点。半监督学习就是 同时利用标记样本和无标记样本来指导学习过程，从而获得更好的学习性能。其 中的半监督学习大致可以分为两类，即半监督分类和半监督聚类。半监督聚类就 是利用少量的标记样本对无标记样本的聚类过程进行指导。本论文以图像分割为 应用背景，对半监督聚类算法进行了研究。本论文的创新性工作总结如下： (1) 提出了一种基于约束对的半监督核K均值聚类的图像分割算法，该算法首 先利用随机产生的Must-link约束对来初始化中心，从而避免了算法陷入局部最优 的缺点，进一步结合核K均值聚类的思想，使得那些在低维空间中线性不可分的样 本在高维空间中变得线性可分，因而使该算法能对图像进行快速准确的分割。实 验结果表明，该分割方法相比COP-Kmeans算法和ConstraintSelector算法能获得较 好的分割结果，同时视觉效果也得到了一定程度的改善。 (2) 提出了一种基于种子集的半监督权重核模糊C均值聚类的图像分割算法， 该算法基于半监督核模糊C均值聚类算法的思想，在初始化步骤中，利用样本间的 方差来初始化核参数，避免了手动调整的不合适核参数对算法聚类性能的影响， 同时采用了点密度权重的思想，使得那些团状、每类样本数相差较大的数据集能 得到正确的划分，从而获得准确的图像分割结果。最后，在人工合成纹理图像和 模拟SAR图像分割实验中，都验证了该算法要优于三个对比算法。 (3) 提出了一种基于种子集的半监督改进模糊局部信息C均值聚类的图像分割 算法，该算法基于改进的模糊局部信息C均值聚类算法的框架，引入了半监督聚类 的思想，利用标记样本来初始化聚类中心，同时使用硬化分的方法来初始化标记 样本的隶属度矩阵，避免了原始算法随机初始化聚类中心易使算法陷入局部最优 的缺点，从而使得聚类时间大大减少，算法性能得到改善。最后，在人工合成纹 理图像、模拟SAR图像和自然图像分割实验中，都验证了该算法要优于两个经典 的对比算法。 本文工作得到了国家自然科学基金(No.、中央高校基本科研业务费 资 助 项 目 (No. K5051302065) 和 西 安 电 子 科 技 大 学 基 本 科 研 业 务 费 资 助 项 目 （BDY121427）的资助。 关键词： 半监督聚类 约束对 种子集 核思想 点密度权重 Abstract Abstract Image segmentation plays a vital role in image analysis and pattern recognition because it is the major factor in determining the analysis results. For better image analysis results, the emerging semi-supervised learning has recently become a hot topic in machine learning with its capability to exploit and utilize prior information to improv