结合稀疏近邻传播和快速谱聚类的纹理图像分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步涉及图像分割技术领域的结合稀疏近邻 传播和快速谱聚类的纹理图像分割方法。本发明可用于各种纹理图像的分割，以达到识别 和分析目标的目的。
【背景技术】
[0002] 图像分割是图像处理的基本问题之一，是实现对图像进行目标识别的基础。其中， 纹理图像分割是数字图像处理研宄的一个重要分支，是众多图像分析和机器视觉应用的基 础。
[0003] 在图像分割方法中，基于特征的纹理图像分割通常由特征提取和图像分割这两个 步骤相继完成。纹理图像分割的目的在于根据图像的灰度、颜色、纹理、空间、几何形状等特 征将图像划分为若干个互不相交的区域，要求每个区域的内部具有一致的纹理，而不同区 域之间的纹理不同。在基于特征的纹理图像分割算法中，通过特征提取将每一个象素用一 个纹理特征来表示，再对得到的特征集进行划分以实现纹理图像分割。对此，聚类集成技 术提供了一种纹理图像分割方案的途径，能够有效提高图像分割的精度。模糊C均值算法 (FCM算法）是一种最简单有效、应用最广泛的聚类方法并且经常用于纹理图像分割。FCM算 法基于模糊理论，能够更准确的描述客观世界，而且算法简单，收敛速度快。但是，该算法对 初始聚类中心敏感并且容易陷入局部最优，限制了聚类结果的精确度。另外，谱聚类也是一 种最常用的聚类方法，尽管这种方法聚类效果不错，并且可以解决非凸数据集问题。但是， 这个算法在用于纹理图分割时需要构造邻接度矩阵，并且需要计算其相应的拉普拉斯矩阵 的特征向量。这两步的时间复杂度分别为〇(n 2)和0(n3)。这种高计算复杂度使得其只能 解决小规模数据集的聚类问题。当面对大规模数据集时，不仅需要耗费大量时间，而且会占 用大量内存。所以，当用该方法处理纹理图像分割时，数量庞大的特征会使聚类算法运行起 来变得非常耗时。
[0004] 西安电子科技大学申请的专利"基于免疫克隆多目标优化的纹理图像分割方 法"（专利申请号201310182014. 5,公开号CN103310441A)中公开了一种基于免疫克隆多目 标优化的纹理图像分割方法。该方法的实现步骤是：步骤1，输入待分割纹理图像，并提取 其特征矩阵G ;步骤2,产生初始抗体群V (t)并进行初始设定；步骤3,根据特征矩阵G和抗 体群V (t)，计算聚类目标函数f JP分类目标函数f2;步骤4,对抗体群V (t)进行免疫克隆操 作，得到克隆后的抗体群Vc(t);步骤5,对克隆后的抗体群Vc(t)进行非一致性变异操作， 得到非一致变异后的抗体群Vm(t);步骤6,对非一致变异后的抗体群Vm(t)进行种群更新 操作，得到更新后的抗体群Vm(t+Ι);步骤7,根据更新后的抗体群Vm(t+Ι)和特征矩阵G， 计算出纹理图像中各个像素的类别；步骤8,输出分割后的纹理图像。该方法虽然能够更好 的保持纹理图像的区域一致性，提高分割精度，使分割结果更符合人的视觉，但是仍然存在 的不足是：由于免疫克隆算法属于进化算法，在运用免疫克隆算法进行纹理图像分割时，分 割结果的稳定性差，无法得到有效的图像分割结果。另外，种群克隆、变异和种群的进化代 数容易增加迭代运算的时间和陷入局部极值，限制了聚类结果的精确度。
[0005] 清华大学深圳研宄生院拥有的专利技术"一种纹理图像的分割方法"（专利申请号 201210259652. 8,公开号CN102819840A，授权公告号102819840B)中公开了一种纹理图像 的分割方法。该专利技术的具体步骤是：输入待分割图像；提取图像的局部的各种特征信 息表征图像中不同纹理区域的特性得到特征图像，通过主成分分析等手段降低数据量再通 过均值漂移算法对特征向量进行聚类，从而完成较可靠的纹理图像分割。虽然该专利技术 相对于现有技术得到的图像分割可靠性高，但是仍然存在的不足是：该专利技术只是提取 图像的局部特征信息来表征全局，提取效果的随机性大，容易丢失重要信息，造成分割效果 差。另外，通过主成分分析手段降低数据量的方法容易陷入局部最优，并且边缘信息容易丢 失，限制了分割结果的精度。
【发明内容】
[0006] 本发明的目的在于克服上述已有技术的不足，提出了结合稀疏近邻传播和快速谱 聚类的纹理图像分割方法，更快更准确的提取纹理图像的特征从而进行纹理图像分割，提 高纹理图像分割效果。
[0007] 本发明实现上述目的的思路是：首先，读入待分割的纹理图像，采用生成灰度对概 率方阵的方法将图像的单一灰度特征转换为区域特征；其次，采用对K均值聚类进行递归 调用的方法将获得的灰度对概率方阵分为K个不同的区域，统计每个区域数据点的个数， 并计算每个数据点与其所在区域中其他点之间的欧氏距离，从而构建一个稀疏相似度矩 阵；然后，采用近邻传播算法作用于稀疏相似度矩阵，获得代表点组成代表矩阵；最后，用 快速谱聚类算法对数据点进行聚类，输出待分割图像的分割结果。
[0008] 为了实现上述目的，本发明的具体实现步骤如下：
[0009] (1)输入一幅待分割的图像：
[0010] 输入一幅大小为256X256个像素的待分割纹理图像；
[0011] ⑵设置参数：
[0012] 将输入的待分割纹理图像的灰度值级数设置为16,最大迭代次数设置为60 ;
[0013] (3)生成灰度对概率方阵：
[0014] (3a)以待分割纹理图像的中心点为原点，建立待分割纹理图像的平面坐标系；
[0015] (3b)从待分割纹理图像平面坐标系中任意选取两点，读取选取的两点所对应的灰 度值大小，将两点对应的灰度值组成一个灰度对；
[0016] (3c)将步骤（3b)中用来获取灰度对的两点在整个坐标平面上平行移动，每移动 一次获得一个灰度对，在平移动面上共获得16 2种灰度对；
[0017] (3d)在整个待分割纹理图像坐标平面的2562个灰度对中，统计16 2种灰度对中每 一种灰度对的数目；
[0018] (3e)将待分割纹理图像坐标平面上每一种灰度的数目排列成一个方阵，将该方阵 归一化，获得灰度对概率方阵；
[0019] (4)统计数据点的个数：
[0020] (4a)采用K均值聚类法，将灰度对概率方阵分为K个不同的区域，K彡2 ;
[0021] (4b)在每个区域递归调用K均值聚类法，将每个区域分为更小的区域，直到所有 区域的数据个数小于等于K为止；
[0022] (4c)统计并保存每个区域数据点的个数；
[0023] (5)构建稀疏相似度矩阵：
[0024] (5a)计算每个数据点与其所在区域中其他点之间的欧氏距离；
[0025] (5b)选取每个数据点的欧氏距离最短的点；
[0026] (5c)将所有的数据点作为稀疏相似度矩阵的第一列，每个数据点的欧氏距离最短 的点作为稀疏相似度矩阵的第二列，两列数据点之间的欧氏距离为稀疏相似度矩阵的第三 列；
[0027] (6)选取数据代表点：
[0028] 采用近邻传播算法，计算稀疏相似度矩阵中元素的代表点；
[0029] (7)对数据点进行聚类：
[0030] (7a)将稀疏相似度矩阵中元素的代表点排列成一个大小为pXp矩阵V，p表示稀 疏相似度矩阵中元素的代表点的数目，〇 < P < 2000 ;
[0031] (7b)按照下式，计算聚类数据集的隶属度：
[0032]
【主权项】
1. 一种结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，包括以下步骤： (1) 输入一幅待分割的图像： 输入一幅大小为256X256个像素的待分割纹理图像； (2) 设置参数： 将输入的待分割纹理图像的灰度值级数设置为16,最大迭代次数设置为60 ; (3) 生成灰度对概率方阵： (3a)以待分割纹理图像的中心点为原点，建立待分割纹理图像的平面坐标系； (3b)从待分割纹理图像平面坐标系中任意选取两点，读取选取的两点所对应的灰度值 大小，将两点对应的灰度值组成一个灰度对； (3c)将步骤