一种基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法技术

本发明专利技术涉及一种基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，属于数据挖掘、机器学习中的聚类分析应用技术领域。本发明专利技术首先采用一种边界模糊采样方法以保留原始数据分布结构，然后通过限制最小生成树生长寻找初始微簇，最后进一步定义微簇间合并指数合并各微簇以准确寻找簇结构进行聚类。本发明专利技术与现有技术相比，主要解决了传统聚类算法进行图像分割时无法准确识别图像结构的问题，提升了图像分割的精准度，对图像分割相关应用领域具有积极意义。应用领域具有积极意义。应用领域具有积极意义。

【技术实现步骤摘要】
一种基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法


[0001]本专利技术涉及一种基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，属于数据挖掘、机器学习中的聚类分析应用


技术介绍

[0002]数字图像处理技术是一个跨学科的领域。其中图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自动处理分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以及阴影等，常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法，但是这又增加了解决问题的复杂性。
[0003]特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。其中，K均值、模糊C均值聚类(FCM)算法是最常用的聚类算法。但传统聚类算法均无法准确找到数据的分布结构，在进行图像分割时效果均不理想。因此本专利技术提出了一种可以准确寻找簇结构的聚类算法来增强图像分割的准确性。

技术实现思路

[0004]本专利技术提供了一种基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，以用于解决传统聚类算法在对图像进行分割时无法准确识别图像结构等现象，增加图像分割的精准度。
[0005]本专利技术的技术方案是：一种基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，采用边界模糊采样方法以保留待分割图像原始数据分布结构，然后通过限制最小生成树生长寻找初始微簇，最后进一步定义微簇间合并指数合并各微簇以准确寻找簇结构进行聚类。具体步骤如下：
[0006]Step1待分割图像预处理，得到标准化缩放数据集；
[0007]对待分割图像，以像素大小d
×
p的为彩色图像为例，使用RGB值表示每个像素的不同颜色通道，此时将图像表示为行和列对应于图像中像素的矩阵，矩阵中每个元素由相应像素的RGB值向量表示。之后将矩阵展开为以像素为索引的矩阵，作为算法的输入。
[0008][0009]待分割图像经过上述转化，输出样本数量为d
×
p的多维数据集。对该数据集进行
标准化缩放，将数据集的每个维度归一化到[0,1]范围，然后将其缩放至[0,50]范围，具体缩放公式为：
[0010][0011]式中，X为数据集中的维度集，x为X中任意数据，x'为数据x经过缩放后的取值。
[0012]Step2对标准化后的数据集在每一维度上进行边界模糊采样；
[0013]针对标准化后的数据集，以1为标准单位，依次在每一维度上进行模糊边界采样，经采样后的数据集被描述为X
′
：
[0014][0015]其中X＝{x1,...,x
i
,...,x
n
}，n表示样本数量，m为数据维度，为样本x
i
在维度为d时的取值，a＝{0,1,2,...,50}，ξ为模糊阈值。
[0016]Step3对边界模糊采样后的数据集，通过限制最小生成树生长寻找初始微簇；
[0017]从模糊边界采样后的数据集X'中任取一未被标记样本加入树T并标记该样本，此时树中只含一个样本，之后选择一个与当前T中样本集合距离最近的未被标记样本，当该距离小于指定权重Limi_weight时，将该样本标记并加入树，相应的权重边加入权重集合W
T
，每次操作后T中的样本数和W
T
中的权重边数都增1，否则就限制生成树生长，以此类推，直至寻找到所有微簇集合Micro_C。
[0018]Step4定义微簇间合并指数合并各初始微簇，得到聚类后的簇结构；
[0019]采用凝聚的层次聚类思想，不断迭代合并初始微簇，直到找到正确的簇结构：
[0020](1)计算所有微簇的局部密度以及微簇间距离，从任一微簇C
i
出发，计算该微簇与其余微簇之间的合并指数MI，判断最大合并指数对应的微簇C
j
与当前微簇C
i
之间的最小距离dist
min
(C
i
,C
j
)是否小于微簇C
i
与微簇C
j
的簇内平均权重之和，如果是，合并微簇C
i
与C
j
，如果否，放弃合并；
[0021]微簇的局部密度被描述为：
[0022][0023]其中n
i
为微簇Micro_C
i
中样本数量，v
j
为微簇Micro_C
i
对应的权重集合W
Ti
中的连接权重；
[0024]簇间距离由簇质心距离与簇之间最短距离共同决定，微簇间的最短距离dist
min
(C
i
,C
j
)被表示为：
[0025][0026]其中|p
‑
p'|是两个样本p和p'之间的距离，inf＝avg(W
Ti
)+avg(W
Tj
)表示簇C
i
与簇C
j
的平均权重之和，若两簇之间的最小距离大于该值，则放大该距离，以突出两簇之间的分离程度；若两簇之间的最小距离小于该值，则缩小该距离，
以强化两簇之间的连接程度；
[0027]微簇间距离被描述为：
[0028]dist
ij
＝dist
min
(C
i
,C
j
)
×
dist
centroid
(C
i
,C
j
)
[0029]其中dist
centroid
(C
i
,C
j
)＝|c
i
‑
c
j
|，c
i
是簇C
i
的质心；
[0030]簇与簇之间合并指数被描述为：
[0031][0032]其中|ρ
i
‑
ρ
j
|为簇i与簇j之间的密度差。
[0033](2)在剩余的微簇中重复上述步骤(1)操作，直至所有的微簇都完成一次合并；
[0034](3)将所有已经完成一次合并的簇结果作为新的集合，重复步骤(1)
‑
(2)，重复迭代直至所有微簇均不再合并，集合停止更新。
[0035]Step5根据Step4寻找的聚类簇结构进行图像分割。
[0036]在进行图像分割时，采用一次性的分配策略，通过步骤Step4输出的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，其特征在于，采用边界模糊采样方法以保留待分割图像原始数据分布结构，然后通过限制最小生成树生长寻找初始微簇，最后进一步定义微簇间合并指数合并各微簇以准确寻找簇结构进行聚类；具体步骤如下：Step1待分割图像预处理，得到标准化缩放数据集；Step2对标准化后的数据集在每一维度上进行边界模糊采样；Step3对边界模糊采样后的数据集，通过限制最小生成树生长寻找初始微簇；Step4定义微簇间合并指数合并各初始微簇，得到聚类后的簇结构；Step5根据Step4寻找的聚类簇结构进行图像分割。2.如权利要求1所述的基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，其特征在于：所述Step1具体过程为：对大小为d
×
p的待分割图像，使用RGB值表示每个像素的不同颜色通道，形成图像的像素矩阵，将矩阵展开为以像素为索引的矩阵，得到样本数量为d
×
p的多维数据集，对该数据集进行标准化缩放，将数据集的每个维度归一化到[0,1]范围，然后将其缩放至[0,50]范围，具体缩放公式为：式中，X为数据集中的维度集，x为X中任意数据，x'为数据x经过缩放后的取值。3.如权利要求1所述的基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，其特征在于：所述Step2具体过程为：针对标准化后的数据集，以1为标准单位，依次在每一维度上进行模糊边界采样，经采样后的数据集被描述为X
′
：其中X＝{x1,...,x
i
,...,x
n
}，n表示样本数量，m为数据维度，为样本x
i
在维度为d时的取值，a＝{0,1,2,...,50}，ξ为模糊阈值。4.如权利要求1所述的基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，其特征在于：所述Step3具体过程为：从模糊边界采样后的数据集X'中任取一未被标记样本加入树T并标记该样本，此时树中只含一个样本，之后选择一个与当前T中样本集合距离最近的未被标记样本，当该距离小于指定权重Limi_weight时，将该样本标记并加入树，相应的权重边加入权重集合W
T
，每次操作后T中的样本数和W
T
中的权重边数都增1，否则就限制生成树生长，以此类推，直至寻找到所有微簇集合Micro_C。5.如权利要求1所述的基于权重约束最小生成树发现微簇结构的聚类算法进行图像分割的方法，其特征在于：所述Step4具体过程为：采用凝聚的层次聚类思想，不断迭代合并初始微簇，直到找到正确的簇结构：(1)计算所有微簇的局部密度以及微簇间距离，从任一微簇C
i
出发，计算该微簇与其余微簇之间的合并指数MI，判断最大合并指数对应的微簇C
j
与当前微簇C
i
之间的最小距离dist
min

【专利技术属性】
技术研发人员：丁家满，白晋琦，贾连印，付晓东，姜瑛，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：