一种基于图论和半监督学习相结合的图像分割方法技术

本发明专利技术公开了一种基于图论和半监督学习相结合的图像分割方法，首先利用核主成分分析法将数据映射到核空间里面，然后将图像二值化后分割成一定数量的区域块，将分割后每一个图像区域视为一个节点，然后通过半监督学习方法进行多角度数据的获取、预测矩阵的建立、训练模型的构建以及图像的分割。本发明专利技术能提高图像分割的精度，有助于推动模式识别、计算机视觉、人工智能等领域的发展。

【技术实现步骤摘要】

本专利技术涉及一种图形分割方法，具体涉及一种基于图论和半监督学习相结合的图像分割方法。
技术介绍
图像分割与目标提取作为图像处理与计算机视觉领域中的一个重要分支，一直吸引着众多研究者的关注。同时，图像分割与目标提取在模式识别、计算机视觉、人工智能等领域也具有广泛的应用。因此，对图像分割与目标提取的深入研究不仅有助于图像分割与目标提取的完善解决，而且有助于推动模式识别、计算机视觉、人工智能等领域的发展。目前，图像分割主要用来实现未知类别的数据的归类，在医疗数据分析、信用卡的信用分级和图像分类等领域有着重大的意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。但是真实世界中的数据(例如互联网中的图像)大多是无类别标签的，且样本的人工标定过程非常费时费力且昂贵，使得数据的准确分类有一定难度。最近，基于相似图构造的半监督学习方法在数据挖掘和模式分类等相关领域已经兴起成为强大而流行的有效工具。基于真实世界中的数据特点，半监督学习主要通过有标定样本的类别，和有标签与无标签样本间的相似性，揭示出无标签样本的类别而在现实图像分割的问题中，图像数据可以从诸如颜色，纹理，形状等不同视觉角度加以描述。这些不同的图像特征从不同视角揭示了所研究图像的不同属性。对此类多视角描述对象的研究在学术界称之为多视角学习。传统的图像分割方法有：均值漂移方法，归一化分割方法和K均值方法等，普遍存在分割精度低，未考虑图像多个视角特征等缺陷。
技术实现思路
为解决上述问题，本专利技术提供了一种基于图论和半监督学习相结合的图像分割方法，提高了图像分离的精度。为实现上述目的，本专利技术采取的技术方案为：一种基于图论和半监督学习相结合的图像分割方法，包括如下步骤：S1、输入图像数据库中的N1幅训练图像，并对其进行预处理，分别得到N1幅训练图像中每一幅图像的局部特征矩阵；其中图像数据库包含N幅大小为m×n已经人工分类并作标记的图像，N1＜N；S2、计算局部特征矩阵Ii的协方差矩阵均值选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第一层核主成分分析网络的滤波器；分别将Ii与滤波器卷积，得到第一层核主成分分析网络的训练输出图像；S3、将核主成分分析网络的第一层训练输出图像替代步骤S1的N1幅训练图像，重复步骤S1、S2，得到第二层核主成分分析网络的滤波器以及第二层核主成分分析网络的训练输出图像；S4、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化；S5、将步骤S4所得的图像分割成一定数量的区域块，将分割后每一个图像区域视为一个节点，建立每个区域块的三图像到三维图的映射，并统计顶点之间的邻接关系以及计算连接两个顶点的边的权重；S6、将所有节点分为标注节点和未标注节点，其中标注节点占少数；S7、获取包括标注节点和未标注节点的由多视角特征表示的不同视角样本数据；S8、将所得的不同视角样本数据进行相似性学习，构造相似近邻图，计算得到权重系数矩阵，并对所述权重系数矩阵进行对称化、归一化处理；S9、根据训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵；S10、基于上述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程，得到预测矩阵；S11、根据所得预测矩阵表征的相似性概率，预测未标注节点图像不同视角样本数据的准确类别，得到直推式图像分类结果，训练完成半监督分类建模，生成训练模型；S12、利用所得训练模型对测试集中的未标注节点待分类的图像样本进行类别信息的预测，得到测试集中的未标注节点待分类的图像样本的类别标签，以实现对图像数据的分割过程。其中，所述步骤S1中预处理的具体步骤为：在N幅大小为m×n的图像数据库中随机选取N1幅作为训练图像数据库；用一个大小为k1×k2的滑块遍历训练图像数据库中的每幅训练图像i＝1，2，…，N1的每一个像素，得到，得到mn个长度为k1k2的列向量，将所得列向量去均值后组合，从而得到每幅训练图像Xi的局部特征矩阵Ii。其中，所述步骤S2的具体步骤包括：S21、分别求局部特征矩阵i＝1，2，…，N1的协方差矩阵：对得到的N1个协方差矩阵求平均值；S22、选择线性核函数、多项式核函数、高斯核函数、指数核函数、拉普拉斯核函数、双曲正切核函数、有理二次核函数、逆多元二次核函数、圆核函数中的任意一个核函数将映射到高维空间中的核子空间，得协方差矩阵，并对矩阵进行去均值；S23、对K进行奇异值分解，找出的L1个主成分，并将的L1个主成分作为第一层核主成分分析网络的滤波器：S24、将局部特征矩阵Ii，i＝1，2，...，N1分别与j＝1，2，...，L1进行卷积，得到第一层核主成分分析网络的训练输出图像。其中，所述步骤S4中二值化操作具体为：第二层核主成分分析网络的训练输出图像中的元素如果大于0，则将该元素置为1；如果小于或者等于0，则将该元素置为0。本专利技术具有以下有益效果：提高了图像分割的精度和图像分割质量，有助于推动模式识别、计算机视觉、人工智能等领域的发展。具体实施方式为了使本专利技术的目的及优点更加清楚明白，以下结合实施例对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例提供了一种基于图论和半监督学习相结合的图像分割方法，包括如下步骤：S1、输入图像数据库中的N1幅训练图像，并对其进行预处理，分别得到N1幅训练图像中每一幅图像的局部特征矩阵；其中图像数据库包含N幅大小为m×n已经人工分类并作标记的图像，N1＜N；S2、计算局部特征矩阵Ii的协方差矩阵均值选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第一层核主成分分析网络的滤波器；分别将Ii与滤波器卷积，得到第一层核主成分分析网络的训练输出图像；S3、将核主成分分析网络的第一层训练输出图像替代步骤S1的N1幅训练图像，重复步骤S1、S2，得到第二层核主成分分析网络的滤波器以及第二层核主成分分析网络的训练输出图像；S4、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化；S5、将步骤S4所本文档来自技高网...

【技术保护点】
一种基于图论和半监督学习相结合的图像分割方法，其特征在于，包括如下步骤：S1、输入图像数据库中的N1幅训练图像，并对其进行预处理，分别得到N1幅训练图像中每一幅图像的局部特征矩阵；S2、计算局部特征矩阵Ii的协方差矩阵均值选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第一层核主成分分析网络的滤波器；分别将Ii与滤波器卷积，得到第一层核主成分分析网络的训练输出图像；S3、将核主成分分析网络的第一层训练输出图像替代步骤S1的N1幅训练图像，重复步骤S1、S2，得到第二层核主成分分析网络的滤波器以及第二层核主成分分析网络的训练输出图像；S4、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化；S5、将步骤S4所得的图像分割成一定数量的区域块，将分割后每一个图像区域视为一个节点，建立每个区域块的三图像到三维图的映射，并统计顶点之间的邻接关系以及计算连接两个顶点的边的权重；S6、将所有节点分为标注节点和未标注节点；S7、获取包括标注节点和未标注节点的由多视角特征表示的不同视角样本数据；S8、将所得的不同视角样本数据进行相似性学习，构造相似近邻图，计算得到权重系数矩阵，并对所述权重系数矩阵进行对称化、归一化处理；S9、根据训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵；S10、基于上述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程，得到预测矩阵；S11、根据所得预测矩阵表征的相似性概率，预测未标注节点图像不同视角样本数据的准确类别，得到直推式图像分类结果，训练完成半监督分类建模，生成训练模型；S12、利用所得训练模型对测试集中的未标注节点待分类的图像样本进行类别信息的预测，得到测试集中的未标注节点待分类的图像样本的类别标签，以实现对图像数据的分割过程。...

【技术特征摘要】
1.一种基于图论和半监督学习相结合的图像分割方法，其特征在于，包括如下步骤：
S1、输入图像数据库中的N1幅训练图像，并对其进行预处理，分别得到N1幅训练图像中每一幅图像的局部特征矩阵；
S2、计算局部特征矩阵Ii的协方差矩阵均值选择任意一个核函数，将协方差矩阵均值映射到高维空间的核子空间当中，得到核子空间当中的协方差矩阵K，并对K去均值得到通过对进行奇异值分解，得到主成分，从而获得第一层核主成分分析网络的滤波器；分别将Ii与滤波器卷积，得到第一层核主成分分析网络的训练输出图像；
S3、将核主成分分析网络的第一层训练输出图像替代步骤S1的N1幅训练图像，重复步骤S1、S2，得到第二层核主成分分析网络的滤波器以及第二层核主成分分析网络的训练输出图像；
S4、将第二层核主成分分析网络的训练输出图像中的每幅图像二值化；
S5、将步骤S4所得的图像分割成一定数量的区域块，将分割后每一个图像区域视为一个节点，建立每个区域块的三图像到三维图的映射，并统计顶点之间的邻接关系以及计算连接两个顶点的边的权重；
S6、将所有节点分为标注节点和未标注节点；
S7、获取包括标注节点和未标注节点的由多视角特征表示的不同视角样本数据；
S8、将所得的不同视角样本数据进行相似性学习，构造相似近邻图，计算得到权重系数矩阵，并对所述权重系数矩阵进行对称化、归一化处理；
S9、根据训练集中有标签图像样本的类别标签信息，初始化一个类标签矩阵；
S10、基于上述类标签矩阵及对称化、归一化处理后的权重系数矩阵进行非负稀疏标签传播的迭代过程，得到预测矩阵；
S11、根据所得预测矩阵表征的相似性概率，预测未标注节点图像不同视角样本数据的准确类别，得到直推式图像分类结果，训练完成半监督分类建模，生成训练模型；
S12、利用所得训练模型对测试集中的未标注节点待分类的图像样本进行类别信息的预测，得到测试集中的未标注节点待分类的图像...

【专利技术属性】
技术研发人员：马君亮，肖冰，汪西莉，何聚厚，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61