【技术实现步骤摘要】
一种基于矩阵的图像聚类方法
本专利技术属于图像处理领域，涉及一种图像聚类方法，尤其是一种可以广泛应用于包括机器视觉导航、目标测量、目标追踪与定位等多种领域的图像聚类方法，具体地说是一种利用人类视觉多尺度感知特性的对于彩色图像的基于矩阵计算的聚类方法。
技术介绍
图像聚类是利用计算机对图像库中的图像进行分析，把图像中的每个像元或区域划归为若干种特征类别中的一种，以代替人类对图像的视觉判别。图像聚类的过程实质上就是基于知识的图像理解过程，同时也是人类对图像的视觉判别的延伸和发展。图像聚类技术就是根据图像的语义和感知特征进行检索，具体实现就是从图像数据中提取出特定的信息线索或特征指标，然后根据这些线索从大量存储在图像数据库的图像中进行查找，检索出具有相似特征的图像数据。图像聚类技术是先对图像按照某种相似性原则进行聚类，把相似的图像聚合为一类，检索过程在类内进行，从而大大的缩小图像检索范围，就能够达到快速准确检索图像的目的。图像聚类技术在各行各业都有着广泛的应用前景。例如在公安行业，随着公安信息化的不断发展，图像识别...
【技术保护点】
1.一种基于矩阵的图像聚类方法，其特征在于，包括以下步骤：/n第一步、对图像进行超像素图块的分割并提取各个超像素图块中的超像素中心属性，所述超像素中心属性包含位置中心和色彩中心；/n第二步、获得反映各个超像素图块之间相邻关系的邻接矩阵；/n第三步、根据所述邻接矩阵获得反映相邻超像素图块之间的相似程度的相似度矩阵，所述相似度包含位置相邻关系和色彩的相似程度；/n第四步、根据所述相似度矩阵对超像素图块完成聚类。/n
【技术特征摘要】
1.一种基于矩阵的图像聚类方法，其特征在于，包括以下步骤：
第一步、对图像进行超像素图块的分割并提取各个超像素图块中的超像素中心属性，所述超像素中心属性包含位置中心和色彩中心；
第二步、获得反映各个超像素图块之间相邻关系的邻接矩阵；
第三步、根据所述邻接矩阵获得反映相邻超像素图块之间的相似程度的相似度矩阵，所述相似度包含位置相邻关系和色彩的相似程度；
第四步、根据所述相似度矩阵对超像素图块完成聚类。
2.根据权利要求1所述的基于矩阵的图像聚类方法，其特征在于，所述超像素中心属性包括如下属性：在图像中心的坐标center(x,y)，颜色均值color_info(l,a,b)，超像素唯一标识idlabels，超像素个数num_pixels。
3.根据权利要求2所述的基于矩阵的图像聚类方法，其特征在于，所述计算邻接矩阵的具体的算法实现如下：
其中，i,j分别是代表超像素图块序号；
邻接矩阵E中每个元数e(i,j)满足如下函数关系：
其中，超像素图块自身与自身之间的关系定义为相邻。
4.根据权利要求3所述的基于矩阵的图像聚类方法，其特征在于，所述计算相似度矩阵的步骤是根据邻接矩阵中超像素图块的相邻关系计算两个相邻超像素的相似度，当相似度必须大于一定阈值时将相应元数值置1，否则置为0，具体的算法实现如下：
(1)从CIELab色彩空间转换为LθM色彩空间
θ′＝atan2(B，A)θ′∈(-π，π](公式3-1)
l＝Ll∈[0，100]
(2)相似度计算
其中，Lth,θth,Mth,Lth0,θth0分别为LθM色彩空间中三个分量的阈值，MCth为以模长分量区分彩色和黑白颜色空间的阈值，通常取值为小于等于2，Li,Lj,θi,θj,Mi,Mj分别为超像素图块i，j在LθM色彩空间中的均值；w(i,j)表示为两个超像素图块的相似度，其中取值为1则为相似，取值为0则为不相似。
5.根据权利要求4所述的基于矩阵的图像聚类方法，其特征在于，所述聚类的步骤是利用相似度w(i,j)生成相似度矩阵W，W即为聚类关系图。
6.根据权利要求5所述的基于矩阵的图像聚类方法，其特征在于，所述基于相似度矩阵W完成聚类的具体的算法实现包括：将相似度矩阵W转换为三角矩阵的步骤，
相似度矩阵
三角矩阵，将左下角全部置零，
7.根据权利要求6所述的基于矩阵的图像聚类方法，其特征在于，所述基于相似度矩阵W完成聚类的具体的算法实现包括：完成聚类的步骤，
对三角矩阵执行聚类算法
第一步：
从矩阵的第n行n列开始，搜索所有n列上为1的数组，如果第n列上为1的数组只有第...
【专利技术属性】
技术研发人员：郑李明，于涛，崔兵兵，
申请(专利权)人：南京原觉信息科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。