基于圖的半監(jiān)督聚類(lèi)是較為典型的半監(jiān)督學(xué)習(xí)方法,通常以無(wú)符號(hào)圖表征數(shù)據(jù),以非負(fù)權(quán)重衡量節(jié)點(diǎn)間相似性。真實(shí)復(fù)雜系統(tǒng)中,無(wú)符號(hào)圖難以區(qū)分無(wú)關(guān)和對(duì)立關(guān)系,而符號(hào)圖中負(fù)邊則可將對(duì)立關(guān)系顯式表達(dá),為聚類(lèi)提供更多有效信息,近來(lái)在一些領(lǐng)域,如圖像分割,取得了良好的效果。本文關(guān)注基于符號(hào)圖規(guī)范化割（Signed Normalized cut,SNcut）的半監(jiān)督聚類(lèi)離散優(yōu)化及其在圖像分割上的應(yīng)用,現(xiàn)有研究成果較少,且存在明顯不足。在圖像分割問(wèn)題上,僅考慮了劃線交互形式,對(duì)于其它更弱的監(jiān)督形式,如何構(gòu)建符號(hào)圖尚無(wú)解決方案。在模型優(yōu)化方面,主要采用譜方法,需在實(shí)域空間中求解離散的聚類(lèi)問(wèn)題,所得結(jié)果較為粗糙,且當(dāng)圖的規(guī)模較大時(shí),計(jì)算復(fù)雜度明顯增加。盡管有研究使用其它方法對(duì)個(gè)別SNcut目標(biāo)的一階近似函數(shù)進(jìn)行離散優(yōu)化求解,但其效果尚未得到進(jìn)一步驗(yàn)證。本文以圖像分割為實(shí)驗(yàn)對(duì)象,討論了符號(hào)圖的構(gòu)建與SNcut聚類(lèi)目標(biāo)的離散優(yōu)化方法,主要工作包括:（1）利用高斯混合模型構(gòu)造符號(hào)圖,將符號(hào)圖聚類(lèi)應(yīng)用于box形式下的圖像分割。box監(jiān)督信息難以直接表達(dá)為成對(duì)約束,采用高斯混合模型將其轉(zhuǎn)換為成對(duì)約束,構(gòu)造符號(hào)圖,利用譜方法... 

【文章來(lái)源】：湖南師范大學(xué)湖南省 211工程院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

劃線與box

7定性，國(guó)內(nèi)外研究學(xué)者至今還無(wú)法對(duì)圖像分割問(wèn)題給出通用的解決方法，目前還沒(méi)有全自動(dòng)的分割算法可以達(dá)到人工標(biāo)注的效果，故圖像分割仍然是科研人員研究與探討的熱點(diǎn)。(a)(b)(c)圖1-4圖像分割應(yīng)用舉例圖像分割是從圖像處理轉(zhuǎn)換到圖像分析、從而進(jìn)一步理解圖像的基礎(chǔ)步驟，其質(zhì)量的好壞直接影響后續(xù)處理的結(jié)果�；趫D聚類(lèi)的圖像分割方法近來(lái)十分流行，得到了廣泛研究�；趫D聚類(lèi)的圖像分割方法可以十分自然地將圖像映射為圖，圖像的像素點(diǎn)與圖中節(jié)點(diǎn)有很好的對(duì)應(yīng)關(guān)系，像素點(diǎn)間以邊相連，其相似性作為圖的邊權(quán)。將圖像映射為圖后，可利用圖的相關(guān)理論與數(shù)學(xué)性質(zhì)進(jìn)行優(yōu)化求解。經(jīng)典圖聚類(lèi)準(zhǔn)則Ncut在圖像分割領(lǐng)域已有大量研究，一般首先將圖像映射為無(wú)符號(hào)圖，像素點(diǎn)間相似性以非負(fù)權(quán)重衡量，然后采用譜方法計(jì)算無(wú)符號(hào)圖Ncut的特征值與特征向量，最后對(duì)特征向量進(jìn)行k-means聚類(lèi)，得到最終圖像分割結(jié)果。Ncut雖一定程度上保證了類(lèi)間劃分平衡性，但其圖像分割效果仍不太令人滿(mǎn)意。為提升圖像分割效果，Chew等[20]提出了SSNcut，將監(jiān)督信息表達(dá)為成對(duì)約束以更好地指導(dǎo)分割，同樣采用譜方法求解。圖像中目標(biāo)與背景的像素種子點(diǎn)間存在明顯互斥關(guān)系，但在無(wú)符號(hào)圖聚類(lèi)中，將像素點(diǎn)間的無(wú)關(guān)與互斥關(guān)系均賦以0權(quán)重，難以區(qū)分它們，且可能丟失部分有效聚類(lèi)信息。若將圖像映射為符號(hào)圖，則目標(biāo)與背景的像素種子點(diǎn)間互斥關(guān)系可用負(fù)邊顯示表達(dá)，為圖聚類(lèi)提供更多信息。現(xiàn)有研究[24,41]將滿(mǎn)足成對(duì)約束中ML的種子點(diǎn)間賦為正權(quán)重，滿(mǎn)足CL的種子點(diǎn)間賦為負(fù)權(quán)重，以此構(gòu)造符號(hào)圖，然后采用譜方法求解SNcut。圖像分割中，MRF正則化子的應(yīng)用十分普遍，如二階Potts模型可在分割時(shí)加強(qiáng)目標(biāo)邊界對(duì)齊性。Tang等[40]提出了界優(yōu)化與圖割組合的核割算法，采用?

成對(duì)約束


本文編號(hào)：3106656