基于改进谱聚类的图像分割算法
Computer Engineering and Applications 计算机工程与应用
2014，50（21）1引言在计算机视觉理论中，图像分割与特征提取，目标识别构成了计算机视觉领域从低到高的三个层次，特征提取与目标识别都以图像分割为基础，分割的好坏直接影响到后续特征提取和目标识别的质量[1]。由于图像的复杂多变性，目前还没有一种算法能够通用于所有的图像，都是针对具体问题采用具体的算法[2]。因此，图像分
割算法的研究越来越受到人们的重视。传统的图像分割方法可以分为三类：基于区域的分割、基于边界的分割和基于纹理的分割。近几十年来，随着一些新理论和新方法的提出和应用，图像分割方法层出不穷，其中比较有代表性的是基于聚类、遗传算法、神经网络、支持向基于改进谱聚类的图像分割算法
关昕1，周积林2
GUAN Xin 1,ZHOU Jilin 2
1.辽宁工程技术大学电子与信息工程学院，辽宁葫芦岛125105
2.辽宁工程技术大学研究生学院，辽宁葫芦岛125105
1.School of Electronics and Information Engineering,Liaoning Technical University,Huludao,Liaoning 125105,China
2.Institute of Graduate,Liaoning Technical University,Huludao,Liaoning 125105,China
GUAN Xin,ZHOU Jilin.Image segmentation based on improved spectral clustering https://www.docsj.com/doc/408066988.html,puter Engi-neering and Applications,2014,50（21）：184-188.
Abstract ：Aiming at the default that when the traditional spectral clustering algorithm is applied to image segmentation,it only uses the feature similarity information to construct similarity matrix and ignores the spatial adjacency information defect of spatial distribution of pixels,this paper presents a new similarity measure formula —weighted euclidean distance of the Gaussian kernel function,making full use of image feature similarity information and spatial adjacency information to structure similarity matrix.In the spectral mapping process,using Nystrom approximation strategy to approximate simi-larity matrix and eigenvectors,it greatly reduces the computational complexity to solve similarity matrix and reduces the memory consumption.This paper applies a new clustering algorithm —Affinity Propagation to the low-dimensional sub-space.It avoids the defect that traditional spectral clustering using K -means algorithm can not automatically determine the number of clusters and it is sensitive to initial value and easy to fall into local optimum.The experiments prove that the proposed algorithm obtains better segmentation results than the traditional spectral clustering algorithm.
Key words ：spectral clustering;spatial adjacency information;similarity matrix;Nystrom approximation;Affinity Propa-gation （AP ）algorithm
摘要：针对传统谱聚类算法应用于图像分割时仅采用特征相似性信息构造相似性矩阵，而忽略了像素分布的空间临近信息的缺陷，提出一种新的相似性度量公式——加权欧氏距离的高斯核函数，充分利用图像特征相似性信息和空间临近信息构造相似性矩阵。在谱映射过程中，采用Nystrom 逼近策略近似估计相似性矩阵及其特征向量，大大减少了求解相似性矩阵的运算复杂度，降低了内存消耗。对得到的低维向量子空间采用一种新型的聚类算法——近邻传播聚类算法进行聚类，避免了传统谱聚类采用K -means 算法对初始值敏感，易陷入局部最优的缺陷。实验表明该算法获得了比传统谱聚类算法更好的分割效果。
关键词：谱聚类；空间临近信息；相似性矩阵；Nystrom 逼近策略；近邻传播聚类算法
文献标志码：A 中图分类号：TP391doi ：10.3778/j.issn.1002-8331.1311-0473
作者简介：关昕（1967—），男，副教授，硕士生导师，主要研究方向：网络安全，图像处理；周积林（1990—），男，硕士研究生，主要
研究方向：图像处理，模式识别。E-mail ：zjl694059781@https://www.docsj.com/doc/408066988.html,
收稿日期：2013-12-02修回日期：2014-01-23文章编号：1002-8331（2014）21-0184-05
CNKI 网络优先出版：2014-07-02，https://www.docsj.com/doc/408066988.html,/kcms/doi/10.3778/j.issn.1002-8331.1311-0473.html
184