一种基于谱聚类的图像分割方法与系统技术方案

本发明专利技术提出一种基于谱聚类的图像分割方法与系统，所要解决的问题是传统谱聚类方法在处理复杂图像时，运算速度较慢且运算复杂度较高的问题。同时提高产铜谱聚类算法在图像分割上的准确性。本发明专利技术包括以下步骤：1.将彩色图像从RGB颜色空间转换成LAB颜色空间；2.计算图像的颜色特征、空间位置特征以及边界特征，并得到相似矩阵；3.合成以上三项特征的相似度矩阵；4.通过计算各行或各列的相似值之和，求出度矩阵；5.根据步骤3和步骤4求出的相似矩阵和度矩阵构造拉普拉斯矩阵；6.由拉普拉斯矩阵和约束矩阵就可以算出聚类分配向量，得出聚类结果；该方法不仅能够有效提高传统谱聚类算法的鲁棒性，很好地处理尺寸较大的彩色图像，并能有效的避免处理时间较长，计算复杂度较高等问题，具有很好的聚类效果。

An Image Segmentation Method and System Based on Spectral Clustering

The present invention proposes an image segmentation method and system based on spectral clustering. The problem to be solved is that the traditional spectral clustering method has a slow operation speed and a high operation complexity in processing complex images. At the same time, it improves the accuracy of image segmentation based on copper spectrum clustering algorithm. The invention comprises the following steps: 1. converting color image from RGB color space to LAB color space; 2. calculating color feature, spatial position feature and boundary feature of image, and obtaining similarity matrix; 3. synthesizing similarity matrix of the above three features; 4. calculating similarity matrix of each row or column by calculating the sum of similarity values; 5. calculating similarity matrix based on steps 3 and 4; Laplacian matrix is constructed by sum matrix; 6. Clustering assignment vectors can be calculated from Laplacian matrix and constraint matrix, and clustering results can be obtained. This method can not only effectively improve the robustness of traditional spectral clustering algorithm, but also deal with large-scale color images, and effectively avoid the problems of long processing time and high computational complexity, and has good clustering efficiency. Fruit.

【技术实现步骤摘要】
一种基于谱聚类的图像分割方法与系统
本专利技术是一种基于谱聚类的图像分割方法与系统，涉及聚类、机器学习和人工智能领域。特别涉及通过相关性将已经学习到的知识运用到图像分割中，并在此基础上构造性地改造谱聚类方法，从而达到快速精确地分割彩色图像的目的。
技术介绍
聚类是一种无监督学习方法，主要处理目标为无标记的数据。聚类的目的是按照数据点之间的内在联系，将其划分成若干类别，使得同一类别内数据点的相似性较大，而不同类别之间数据点的相似性较小。传统的聚类方法，如k-means方法、FCM方法和EM方法等，它们虽然理论思想简单易于实现，但却缺乏处理复杂数据结构的能力，当待处理样本空间为非凸时，方法往往容易陷入局部最优。谱聚类方法由于在实际应用领域中良好的表现，以及理论简单和易于实现等特点，引起了学术界越来越多的关注。谱聚类的理论思想建立在谱图理论的基础之上，它是数据挖掘的一种有效方法，谱聚类方法通过把数据聚类的求解问题转化成图的划分问题进行求解，以此发现不同数据之间的内在联系，谱聚类方法尤其适用于数据集非凸的情况。目前，国内外应用较多谱聚类方法在对图像进行分割时都必须建立在图像的原始像素点上。这本文档来自技高网...

【技术保护点】
1.一种基于谱聚类的图像分割方法与系统，其特征在于，利用超像素算法对原始尺寸较大的图像进行预处理，形成用户指定数目的超像素区域后，利用谱聚类方法对这些区域进行聚类分割，克服了原本操作过程中计算时间较长，计算复杂度较高的问题。该方法具体包括：步骤1.将原始图像从RGB空间转换成LAB空间；步骤2.在图像上按照等距离L选取K个初始聚类中心，其中

【技术特征摘要】
1.一种基于谱聚类的图像分割方法与系统，其特征在于，利用超像素算法对原始尺寸较大的图像进行预处理，形成用户指定数目的超像素区域后，利用谱聚类方法对这些区域进行聚类分割，克服了原本操作过程中计算时间较长，计算复杂度较高的问题。该方法具体包括：步骤1.将原始图像从RGB空间转换成LAB空间；步骤2.在图像上按照等距离L选取K个初始聚类中心，其中N为原始图像的像素点个数；步骤3.将聚类中心调节到原聚类中心周围3×3像素点中的梯度值为最小值的像素点上(避免将边界点或者奇异点当作成是聚类中心点)；步骤4.根据公式计算图像中的边界特征信息，并根据公式计算图像中的空间位置和颜色信息；步骤5.对特征信息进行整合，其计算公式如下：其中，α是经验权重，通过以上计算，可以得出每一对数据点的相似度度量。步骤6.在每个聚类中心周围2L×2L的像素点区域内进行聚类，其中具体聚类的准则设置为区域像素点与其聚类中心之间的距离以及两者的亮度特征；步骤7.得到新的聚类结果后，通过选择每类区域中的每个像素点的位置以及亮度特征信息进行整合，计算其均值。步骤8.构造目标函数，其计算公式如下：subjectto：X∈{0，1}N×K,X1K＝1N迭代聚类计算，直至所得到的新的聚类中心与之前所得到的差异值小于事先所制订的某个阈值。2.根据权利要求1所述的一种基于谱聚类的图像分割方法与系统，其特征在于：利用超像素算法来降...

【专利技术属性】
技术研发人员：丁世飞，从林，秦悦，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32