一种基于K‑均值聚类的图像特征提取方法与流程
本发明涉及图像识别技术领域，具体涉及一种基于K-均值聚类的图像特征提取方法。
背景技术：
图像的识别分类在所有应用领域中的应用最为直接,由于获取的图像数据内容丰富，提取图像的特征技术就变得非常关键,传统的图像特征提取主要包含光谱特征、纹理特征以及形状特征。常用的光谱特征提取方法有主成分分析法、K-T变换、典型分析法以及基于遗传算法的特征提取算法。主成分分析法是图像中最常用的一种变换算法，是一种非常有效的特征提取算法，但是这种算法需要处理的数据非常大，因为图像中包含大量的观测数据，造成了计算复杂度大大增加。
鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。
技术实现要素：
为解决上述技术缺陷，本发明采用的技术方案在于，提供一种基于K-均值聚类的图像特征提取方法，该方法包括以下步骤：
步骤S1：采集图像并对图像进行预处理，以及建立图像数据库；
步骤S2：利用K-均值聚类算法对图像进行聚类分析，将图像数据库分为K类；
步骤S3：利用主成分分析算法对分为K类的图像数据库中的分类图像进行处理，得到主成分分析图像；
步骤S4：根据性能指标估计主成分分析图像，选取效果最好的图像。
较佳的，述步骤S1具体包括：
步骤S11：通过图像采集设备采集图像；
步骤S12：对所获取的图像进行尺寸大小归一化；
步骤S13：建立图像数据库。
较佳的，所述步骤S2具体包括：
步骤S21：统计图像数据库中每一幅图像的波段数和像素数，并将其表示为一个矩阵X；
步骤S22：根据主成分分析算法的需求输入指定数目的聚类类数N；
步骤S23：在初始矩阵X中随机选取N个对象作为初始聚类中心；
步骤S24：根据每个聚类的中心，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分，形成一类；
步骤S25：更新聚类中心，然后以每一类的平均向量作为新的聚类中心，重新分配数据对象；
步骤S26：反复迭代，直到满足每个聚类不再发生变化为止。
较佳的，所述步骤S3具体包括：
步骤S31：选取新获得的聚类中心作为新的输入样本；
步骤S32：利用高斯核函数和新输入的样本计算核矩阵K，核矩阵K的计算公式为：
式中，xi,xj为样本向量，c表示输入的样本数量，表示对样本向量的非线性变换，k(·)表示高斯核函数；
步骤S33：对核矩阵K进行归一化处理得到归一化之后的核矩阵K′:
K′＝(K-AcK-KAc+AcKAc)ij
式中，Ac是一个c×c矩阵，(Ac)ij＝1/c；
步骤S34：分别计算归一化之后的核矩阵K′的特征值和特征向量，并对特征向量进行归一化处理；
步骤S35：将特征值按照从大到小的顺序进行排列，选择前r个非零的特征值对应的特征向量αi作为主分量；
步骤S36：将特征空间中所有的光谱向量映射到与第r个特征值对应的特征向量Vr，映射公式为：
步骤S37：将所得向量恢复为图像，得到第r幅主成分图像，依次得到所有的主成分图像。
较佳的，所述步骤S4具体包括：
步骤S41：分别计算各主成分数据的方差，并对其标准化处理；
步骤S42：计算每一分量标准方差的比例；
步骤S43：根据得到的比例大小选择出效果最好的图像。
与现有技术相比，本发明提供的一种基于K-均值聚类的图像特征提取方法有如下好处：
(1)本发明将K-均值聚类算法应用到图像特征提取中，提高了图像特征提取的性能，可有效地提取多光谱图像中的非线性特征信息，同时也改善了图像特征提取计算量大的缺点。
(2)结合传统的主成分分析算法，引入了高斯核函数，使得主成分分析算法变得更加鲁棒，在图像的特征提取中具有更好的效果。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明的一种基于K-均值聚类的图像特征提取方法的流程图；
图2为步骤S1的流程图；
图3为步骤S2的流程图；
图4为步骤S3的流程图；
图5为步骤S4的流程图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
如图1所示，为本发明的一种基于K-均值聚类的图像特征提取方法的流程图，该方法包括以下步骤：
步骤S1：采集图像并对图像进行预处理，以及建立图像数据库。
如图2所示，为步骤S1的流程图，该步骤S1具体包括：
步骤S11：通过图像采集设备采集图像。
步骤S12：对所获取的图像进行尺寸大小归一化。
步骤S13：建立图像数据库。
步骤S2：利用K-均值聚类算法对图像进行聚类分析，将图像数据库分为K类。
如图3所示，为步骤S2的流程图，该步骤S2具体包括：
步骤S21：统计图像数据库中每一幅图像的波段数和像素数，并将其表示为一个矩阵X。
步骤S22：根据主成分分析算法的需求输入指定数目的聚类类数N。
步骤S23：在初始矩阵X中随机选取N个对象作为初始聚类中心。
步骤S24：根据每个聚类的中心，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分，形成一类。
步骤S25：更新聚类中心，然后以每一类的平均向量作为新的聚类中心，重新分配数据对象。
步骤S26：反复迭代，直到满足每个聚类不再发生变化为止。
步骤S3：利用主成分分析算法对分为K类的图像数据库中的分类图像进行处理，得到主成分分析图像。
如图4所示，为步骤S3的流程图，该步骤S3具体包括：
步骤S31：选取新获得的聚类中心作为新的输入样本。
步骤S32：利用高斯核函数和新输入的样本计算核矩阵K，核矩阵K的计算公式为：
式中，xi,xj为样本向量，c表示输入的样本数量，表示对样本向量的非线性变换，k(·)表示高斯核函数。
步骤S33：对核矩阵K进行归一化处理得到归一化之后的核矩阵K′:
K′＝(K-AcK-KAc+AcKAc)ij
式中，Ac是一个c×c矩阵，(Ac)ij＝1/c。
步骤S34：分别计算归一化之后的核矩阵K′的特征值和特征向量，并对特征向量进行归一化处理。
步骤S35：将特征值按照从大到小的顺序进行排列，选择前r个非零的特征值对应的特征向量αi作为主分量。
步骤S36：将特征空间中所有的光谱向量映射到与第r个特征值对应的特征向量Vr，映射公式为：
步骤S37：将所得向量恢复为图像，得到第r幅主成分图像，依次得到所有的主成分图像。
步骤S4：根据性能指标估计主成分分析图像，选取效果最好的图像。
如图5所示，为步骤S4的流程图，该步骤S4具体包括：
步骤S41：分别计算各主成分数据的方差，并对其标准化处理。
步骤S42：计算每一分量标准方差的比例。
步骤S43：根据得到的比例大小选择出效果最好的图像。
本发明提供的一种基于K-均值聚类的图像特征提取方法有如下好处：
(1)本发明将K-均值聚类算法应用到图像特征提取中，提高了图像特征提取的性能，可有效地提取多光谱图像中的非线性特征信息，同时也改善了图像特征提取计算量大的缺点。
(2)结合传统的主成分分析算法，引入了高斯核函数，使得主成分分析算法变得更加鲁棒，在图像的特征提取中具有更好的效果。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！