面向图像分割的谱聚类算法研究.pdfVIP

摘 要 随着大数据时代的到来，数据的多样性和复杂性已成为常态。数据挖掘技术 通过提取海量数据中的有效信息，并对其进行处理和分析，以实现人们预期的目 标。聚类分析是数据挖掘技术的一项重要研究分支，而谱聚类是聚类分析的一种 有效方法。谱聚类以谱图划分作为理论基础，通过将聚类问题转化为图划分问题， 从而实现在任意形状的样本空间中进行聚类。谱聚类由于聚类效果表现良好，因 而被广泛用于数据挖掘的各个领域，其中，图像分割领域成为了谱聚类的重要应 用领域之一。图像分割是图像数据处理环节中的关键步骤，图像分割性能的优劣 将直接影响到图像认知理解的准确程度。因此，围绕图像分割的研究引发了学术 界和工业界的普遍关注。彩色图像的分辨率随着数字技术的发展得到了提升，由 此造成了图像尺寸的扩大。针对谱聚类算法在图像分割时运算复杂度大，处理时 间长以及分割效果较为粗糙等问题，本文对超像素图像预处理算法和谱聚类图像 分割算法进行了研究，其主要内容如下： 1. 针对传统谱聚类算法在图像分割时将单一像素点作为处理单元所带来的 运算复杂度较大的问题，本文引入了超像素算法对彩色图像进行预处理。传统超 像素 SLIC 算法在处理过程中需要人为设定均衡特征参数，针对这一不足之处， 本文通过引入中介数学的思想，设计了一种自适应均衡特征参数的 SLIC 算法， 能够在计算过程中根据图像的具体情况自适应地生成算法所需的均衡特征参数， 从而在成本很小的运算时间内取得更优异的分割效果。通过实验的分析，验证了 算法的有效性。 2. 针对传统Ncut 谱聚类算法在求解相似度矩阵时需要手动输入参数这一不 足之处，本文对 Ncut 算法的相似度矩阵进行了改进，并将 自适应均衡特征参数 的 SLIC 算法与改进后的Ncut 算法进行了结合，生成一种新的基于超像素的谱聚 类彩色图像分割算法。本文算法由于引入了超像素算法对图像进行预处理，有效 地缩减了传统谱聚类算法在图像分割过程中的运算时间，改善了其处理效果。本 文从两种不同角度的评价准则出发，对所提算法进行了实验的验证和分析，其结 果表明，本文算法能够充分考虑彩色图像的尺寸及特征信息，在提升图像分割准 确性的同时，有效降低了算法的处理时间。 该论文有图25 幅，表 9 个，参考文献 105 篇。 关键词：图像分割；超像素；谱图理论；谱聚类；相似度矩阵 I Abstract With the advent of the era of big data, the diversity and complexity of massive data has become the norm. Data mining technology extracts valid information from massive data and processes and analyzes it to achieve peoples expected goals. Cluster analysis is one of the important research branches of data mining technology. As an effective method in cluster analysis, spectral clustering is based on the division of spectral graphs. The clustering problem is transformed into a graph division problem to achieve Clustering in a sample space of arbitrary shape. Because of its good clustering performance, spectral clustering is widely used in various fields of data mining. Among them, image segmentation has become one of the important app