论文部分内容阅读
随着多媒体成像技术水平的不断提高,彩色图像逐渐成为日常生活中的主要媒介。对彩色图像进行分割与分析一直是机器学习与计算机视觉中的热点问题,受到国内外研究学者的广泛关注。谱聚类算法具有在任意分布的样本空间上聚类且能收敛于全局最优解的优点,已经在图像分割的应用中取得了良好的效果。然而,传统谱聚类算法应用于图像分割时存在以下两个问题,一是该算法需要构造像素之间的相似性,使得相似性矩阵过于庞大,后续还将面临庞大矩阵的分解问题,势必带来庞大计算量和存储量;二是传统谱聚类算法往往采用前k个特征向量对样本空间进行重构,忽略了特征向量的有效选择问题。为了解决谱聚类算法的相关问题,本论文通过研究图像中的部分监督信息,引入可觉差理论和萤火虫优化算法获取图像中的关键像素,构造融合像素间的连通性和离散性的相似性度量方法,提出基于萤火虫优化可觉差的半监督谱聚类彩色图像分割方法。此外,本论文还利用萤火虫优化方法对谱聚类的特征向量进行选择,以保证重构出更加理想的样本表示,提高分割性能。本文主要工作可概括为如下三个方面:(1)基于人眼可觉差理论分割方法中,可觉差阈值的选择是一个亟待解决的问题。针对此问题,提出了基于萤火虫优化的最小可觉差图像分割方法。该算法首先利用像素邻域信息自适应提供监督信息,然后使用萤火虫智能优化算法对阈值进行选择,最后获得图像分割结果。通过对比实验表明,提出的算法应用于彩色图像分割中是优于传统可觉差图像分割算法的分割结果。(2)针对谱聚类算法应用于彩色图像分割时,分割性能容易受相似性度量方法影响的问题,提出基于萤火虫优化的半监督谱聚类图像分割方法。该算法采用用户提供的少量监督信息,利用萤火虫优化方法对阈值寻优从而获取彩色图像的关键像素,然后为这些关键像素构造融合连通性和离散性的相似性度量方法,最后基于该相似性度量方法采用谱聚类对关键像素进行聚类,进而获得图像的分割结果。实验结果表明提出的方法具有可行性,在图像上获得了理想的分割结果。(3)谱聚类方法中多采用前k个特征向量作为原始样本的新的表示,然而在这些特征向量作用下不一定总是获得满意的聚类结果。我们从特征向量选择的角度出发,提出萤火虫优化特征向量选择的谱聚类图像分割算法。该方法通过对特征向量序号进行编码,使用萤火虫优化算法选择出效果最优的特征向量组合,进而获得满意的分割结果。对比实验表明了提出方法的有效性。