（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162种灰度对； (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； (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； (4) 统计数据点的个数： (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多2 ; (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； (4c)统计并保存每个区域数据点的个数； (5) 构建稀疏相似度矩阵： (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； (5b)选取每个数据点的欧氏距离最短的点； (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； (6) 选取数据代表点： 采用近邻传播算法，计算稀疏相似度矩阵中元素的代表点； (7) 对数据点进行聚类： (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 ; (7b)按照下式，计算聚类数据集的隶属度：
其中，Uij表示聚类数据集中第j个数据隶属于第i个类的隶属度，i = 1，2,…，65536， j = 1，2，···，p，p表示稀疏相似度矩阵中元素的代表点的数目，0 <p < 2000, exp表示指 数操作，&表示灰度对概率方阵中第i行数据点到矩阵V中第j行数据点间的欧氏距离， δ表示高斯核参数，δ = 1〇〇, Σ表示求和操作； (7c)将获得的聚类数据集的隶属度值排列成一个大小为65536Xp隶属度矩阵，O < p ^ 2000 ； (7d)计算隶属度矩阵的p维特征向量A，0 < p < 2000 ; (7e)应用K均值聚类法对特征向量A进行聚类，获得特征向量A的聚类标号； (8) 标记待分割图像： 将特征向量的聚类标号作为图像每个像素点的类别标号，得到待分割纹理图像中每个 像素的类别标号； (9) 输出分割后的图像： 根据类别标号分割待分割的纹理图像，得到分割后的图像并输出分割结果。
2. 根据权利要求1所述的结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，其特 征在于，步骤（4a)、步骤（4b)中所述K均值聚类法的具体步骤如下： 第1步，从待分割图像的灰度对概率方阵中随机选择K个元素作为初始聚类中心值，将 每个聚类中心各自划分为一类，K多2 ; 第2步，计算待分割图像的灰度对概率方阵中所有元素到K个聚类中心值的距离； 第3步，比较灰度对概率方阵中每个元素到K个聚类中心值的距离，将每个元素最小 值对应的聚类中心值类别标号赋予相应的元素，得到灰度对概率方阵中每个元素的类别标 号； 第4步，计算灰度对概率方阵中每类元素的平均值，得到新的聚类中心值； 第5步，比较新的聚类中心值与原聚类中心值是否相同，若新聚类中心值与原聚类中 心值不同，则继续迭代，将灰度对概率方阵中的所有元素根据与新聚类中心值的距离重新 进行类别划分，直到达到最大迭代次数，输出聚类结果，如果新聚类中心值和原聚类中心值 相同，则输出聚类结果。
3. 根据权利要求1所述的结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，其特 征在于，步骤(6)中所述采用近邻传播算法获取代表点的具体步骤如下： 第1步，将稀疏相似度矩阵中元素之间的吸引度和归属度初始化为0,迭代次数t初始 化为1 ; 第2步，按照下式，计算稀疏相似度矩阵中数据点j对数据点i的吸引度：
其中，r(i，j)表示稀疏相似度矩阵中数据点j对数据点i的吸引度，i和j分别表示 稀疏相似度矩阵中第i个和第j个元素的标号，i = 1，2,…，65536, j = 1，2,…，65536， s (i，j)表示稀疏相似度矩阵中数据点i和数据点j之间的相似度大小，max表示取最大值 操作，k表示稀疏相似度矩阵中第k个元素的标号，k = 1，2,…，65536, t表示当前的迭代 次数，t < 60, a (i, k)表示稀疏相似度矩阵中数据点i对数据点k的归属度，s (i, k)表示 稀疏相似度矩阵中数据点i和数据点k之间的相似度大小； 第3步，按照下式，计算稀疏相似度矩阵中数据点i对数据点j的归属度：
其中，a(i，j)表示稀疏相似度矩阵中数据点i对数据点j的归属度，i和j分别表示 稀疏相似度矩阵中第i个和第j个元素的标号，i = 1，2,…，65536, j = 1，2,…，65536， min表示取最小值操作，r(j，j)表示稀疏相似度矩阵中数据点j对自身的吸引度，Σ表示 求和操作，t表示当前的迭代次数，t < 60, max表示取最大值操作，r(k, j)表示稀疏相似 度矩阵中数据点k对数据点j的吸引度，k表示稀疏相似度矩阵中第k个元素的标号，k = 1，2,…，65536 ; 第4步，按照下式，更新稀疏相似度矩阵中数据点j对数据点i的吸引度： R(i, j) = λ Xr' (i, j) + (l- λ ) Xr (i, j) 其中，R(i，j)表示更新后稀疏相似度矩阵中数据点j对数据点i的吸引度，i和j分别 表示稀疏相似度矩阵中第i个和第j个元素的标号，i = 1，2,…，65536, j = 1，2,…，65536， λ表示收敛系数，λ e (〇, I)，r'（i，j)表示本次迭代之前稀疏相似度矩阵中数据点j对 数据点i的吸引度，r(i，j)是第2步获得的稀疏相似度矩阵中数据点j对数据点i的吸引 度； 第5步，按照下式，更新稀疏相似度矩阵中数据点i对数据点j的归属度： A(i, j) = AXa' (i, j) + (l- λ ) Xa(i, j) 其中，A(i，j)表示更新后稀疏相似度矩阵中数据点i对数据点j的归属度，i和j分别 表示稀疏相似度矩阵中第i个和第j个元素的标号，i = 1，2,…，65536, j = 1，2,…，65536， λ表示收敛系数，λ e (〇, 1)，a'（i，j)表示本次迭代之前稀疏相似度矩阵中数据点i对 数据点j的归属度，a(i，j)是第3步获得的稀疏相似度矩阵中数据点i对数据点j的归属 度； 第6步，判断当前的迭代次数是否达到初始化所设定的最大迭代次数60,如果是，执行 第7步，否则，执行第2步； 第7步，按照下式，计算稀疏相似度矩阵中元素的代表点： i*= argmax((A(i, j)+R(i, j)) 其中，Γ表示稀疏相似度矩阵中数据点i的代表点，i表示稀疏相似度矩阵中第i个元 素的标号，i = 1，2,…，65536, max表不取最大值操作，arg( ·)表不在稀疏相似度矩阵中 取最值元素对应标号的操作，A(i，j)表示迭代更新后稀疏相似度矩阵中数据点i对数据点 j的归属度，j表示稀疏相似度矩阵中第j个元素的标号，j = 1，2,…，65536, R(i，j)表示 迭代更新后稀疏相似度矩阵中数据点j对数据点i的吸引度。
【专利摘要】本发明公开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，主要解决现有纹理图像分割方法的分割精确低和计算复杂度高的问题。其方法步骤为：(1)输入一幅待分割的图像；(2)设置参数；(3)生成灰度对概率方阵；(4)统计数据点的个数；(5)构建稀疏相似度矩阵；(6)选取数据代表点；(7)对数据点进行聚类；(8)标记待分割图像；(9)输出分割后的图像。本发明相对于现有的一些纹理图像分割技术可以更好的保持纹理图像的区域一致性，获得分割精确度高、分割稳定性好的纹理图像，并且计算复杂度低。
【IPC分类】G06T7-00
【公开号】CN104732545
【申请号】CN201510155156
【发明人】尚荣华, 焦李成, 戴开云, 李阳, 马文萍, 王爽, 侯彪, 刘红英, 熊涛
【申请人】西安电子科技大学
【公开日】2015年6月24日
【申请日】2015年4月2日