發(fā)布時間：2020-12-15 03:50

　　隨著大數(shù)據(jù)時代的到來,數(shù)據(jù)的多樣性和復(fù)雜性已成為常態(tài)。數(shù)據(jù)挖掘技術(shù)通過提取海量數(shù)據(jù)中的有效信息,并對其進行處理和分析,以實現(xiàn)人們預(yù)期的目標(biāo)。聚類分析是數(shù)據(jù)挖掘技術(shù)的一項重要研究分支,而譜聚類是聚類分析的一種有效方法。譜聚類以譜圖劃分作為理論基礎(chǔ),通過將聚類問題轉(zhuǎn)化為圖劃分問題,從而實現(xiàn)在任意形狀的樣本空間中進行聚類。譜聚類由于聚類效果表現(xiàn)良好,因而被廣泛用于數(shù)據(jù)挖掘的各個領(lǐng)域,其中,圖像分割領(lǐng)域成為了譜聚類的重要應(yīng)用領(lǐng)域之一。圖像分割是圖像數(shù)據(jù)處理環(huán)節(jié)中的關(guān)鍵步驟,圖像分割性能的優(yōu)劣將直接影響到圖像認(rèn)知理解的準(zhǔn)確程度。因此,圍繞圖像分割的研究引發(fā)了學(xué)術(shù)界和工業(yè)界的普遍關(guān)注。彩色圖像的分辨率隨著數(shù)字技術(shù)的發(fā)展得到了提升,由此造成了圖像尺寸的擴大。針對譜聚類算法在圖像分割時運算復(fù)雜度大,處理時間長以及分割效果較為粗糙等問題,本文對超像素圖像預(yù)處理算法和譜聚類圖像分割算法進行了研究,其主要內(nèi)容如下:1.針對傳統(tǒng)譜聚類算法在圖像分割時將單一像素點作為處理單元所帶來的運算復(fù)雜度較大的問題,本文引入了超像素算法對彩色圖像進行預(yù)處理。傳統(tǒng)超像素SLIC算法在處理過程中需要人為設(shè)定均衡特征參數(shù),針對這... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像工程體系描述Figure1-1Imageengineeringsystemdescription圖1-1描述了圖像分割在圖像數(shù)據(jù)處理過程中的定位和目標(biāo)

2理論基礎(chǔ)15kmaxkkiisgsCUEsgg(2-12)公式(2-12)中，圖像中全部像素點的數(shù)量為N，s為算法分割之后形成的超像素區(qū)域，ks描述超像素集的第k個區(qū)域塊，ig定義為人工分割真值g中的第i個區(qū)域塊，maxkgs為真值圖像區(qū)域塊與實驗所得區(qū)域塊的最大重合面積。(3)面積方差和圓形度面積方差和圓形度是常用的衡量圖像分割緊密程度的重要標(biāo)準(zhǔn)，面積方差描述了區(qū)塊之間的面積大小的不同，而圓形度則體現(xiàn)了分割生成的區(qū)域塊的形態(tài)與圓形的接近程度，圓形度越趨近于1，則代表區(qū)域塊越接近圓形。(4)分割準(zhǔn)確度分割準(zhǔn)確率即為最優(yōu)分割準(zhǔn)確度，具體描述為經(jīng)過分割之后形成的區(qū)域塊中被正確標(biāo)記的像素點的數(shù)目與圖像中全部像素點的數(shù)目之間所形成的比例，分割的準(zhǔn)確度越高，越能體現(xiàn)出分割算法的處理精度的優(yōu)勢，其公式描述如下：maxikikiisgASAsgg(2-13)2.3譜聚類算法(SpectralClusteringAlgorithm)2.3.1譜圖劃分譜聚類的理論體系發(fā)源較早，具有很長的發(fā)展歷史，在眾多形形色色的理論分支中，以譜圖理論作為基礎(chǔ)知識框架的最多。下面介紹譜圖的幾個基本概念：(1)圖的概念圖按照概念的相異，可以將其分為兩類，分別為無向圖和有向圖[83]。有向圖指的是圖的頂點中，連接頂點之間的邊是有明確方向的，相應(yīng)的，無向圖的定義為圖像中連接頂點的邊是沒有方向的。在有向圖中相同兩個頂點不同方向的權(quán)值是不一樣的，即ijjiee，而在無向圖中，則有=ijjiee，無向圖和有向圖的概念圖如圖2-1所示。(a)無向圖(b)有向圖圖2-1無向圖和有向圖(a)無向圖(b)有向圖Figure2-1Undirectedanddirectedgraphs(a)Directedgraphs(b)Undirectedgraphs

碩士學(xué)位論文28(a)(b)圖3-2SLIC算法分割結(jié)果(a)原始圖像(b)SLIC分割圖像Figure3-2SLICalgorithmsegmentationresults(a)Originalimage(b)SLICsegmentationimage圖3-2中的四幅圖像是經(jīng)SLIC超像素算法分割的效果圖。從展示圖中可以看出，經(jīng)SLIC超像素算法分割之后的圖像與目標(biāo)輪廓之間緊密型較高，超像素區(qū)域形狀較為規(guī)則、各自獨立并且沒有出現(xiàn)重合現(xiàn)象。3.3自適應(yīng)均衡特征參數(shù)的SLIC算法(SLICAlgorithmwithAdaptiveEqualizationParameters)一般情況下，傳統(tǒng)的SLIC超像素圖像預(yù)處理算法，在對原始圖像進行預(yù)處理時，會通過相應(yīng)的迭代操作確定最終的聚類中心和對應(yīng)的若干數(shù)量可控的超像素區(qū)域，而不同區(qū)域塊之間緊密聯(lián)系的程度則需要通過手動設(shè)置，不同參數(shù)對應(yīng)的分割效果也不盡相同，鑒于這種情形，操作者往往需要耗費大量的時間用來調(diào)試均衡特征參數(shù)的數(shù)值，以達(dá)到令人滿意的分割效果。除此之外，不同參數(shù)下圖像的處理時間也并不相同。因此，為了簡化處理流程以及改善圖像分割的效果，在算法進行操作時，我們往往會采用一個固定的均衡特征參數(shù)來進行相應(yīng)的計算。然而在現(xiàn)實生活中，不同應(yīng)用場景下原始圖像中顏色信息的分布或顏色間差異往往各不相同，在這種情況下，如果我們選擇采用某個固定的權(quán)值來均衡不同圖像的空間距離特征以及顏色信息特征，那么勢必會造成分割效果的不理想。為了解決傳統(tǒng)SLIC算法對于均衡特征參數(shù)獲取的缺陷，本文提出了一種結(jié)合中介數(shù)學(xué)思想的自適應(yīng)均衡特征參數(shù)的SLIC算法(AdaptiveSLIC，ASLIC)，該算法根據(jù)具體目標(biāo)圖像的尺寸和特征信息，能夠根據(jù)圖像的具體信息自適應(yīng)的生成較好的均衡特征參數(shù)，以達(dá)到靈活運算以及提高分割效果的目的。3.3.1均衡特征參數(shù)選取方法由于SLIC算法中用于平衡坐標(biāo)空間特征和顏色特征?


本文編號：2917600