一种传统云纹图案的自动分类方法
【技术领域】
[0001] 本发明属于聚类分析、图像分类技术领域，涉及云纹图像预处理，形状上下文特征 提取，近邻关系传递优化相似性矩阵。具体地说是一种结合近邻关系传递与形状上下文特 征的多子类中心近邻传播算法聚类云纹图像的自动分类方法。
【背景技术】
[0002] 在中国传统装饰纹样中，云纹是历史久远、造型样式极其丰富、独具东方艺术魅力 的一个大类。云纹流变生动，寓意吉祥，表现形式多样，既有不同单体的变化，又有各类嫁 接、连续的组合结构，自古以来就是各类平面和立体造形之中重要的装饰元素，即使到了今 天，对当代艺术设计与创作仍有很大的借鉴价值。例如大家所熟悉的2008年北京奥运会火 炬上就采用了祥云纹样作为装饰图案，其造型来源于先秦时期就出现的单勾卷云纹。在推 崇弘扬优秀民族传统文化的今天，对传统艺术形式的研宄显得犹为重要。其中，对传统图案 样式进行搜寻、采集、归类、分析，发现其中蕴含着的民族智慧、符合东方审美观念的艺术语 言，无论是对于学术研宄还是丰富现代艺术设计语汇都极具价值。
[0003] 中国传统云纹的发展起点可以追溯到新石器时代彩陶纹饰中的原始旋纹。而春 秋战国时期青铜器上的云雷纹被认为是较为明确的最早的成形云纹，后又经历了卷云纹、 云气纹、流云纹、朵云纹、如意云纹、团云纹、叠云纹等样式的繁衍变迀，从最初的单纯抽象 发展到拟形和写意，样式极其丰富多变，即使是同一大类的云纹，随时代、地域、创作者的不 同，也有多种形态的变化。由于云纹艺术形式极其丰富，各类图案样式资料浩如烟海，要做 好这项研宄整理工作仅仅依靠人工查找、整理归类，其效率是十分低下的，因此通过引入非 监督的聚类分析方法，在研宄图案特征的基础上实现云纹图案的自动分类无疑具有重大意 义。
[0004] 2007年Frey等人在science上提出了一种全新的基于簇类中心的聚类算法， 艮PAP聚类算法（FreyBJ:《Clusteringbypassingmessagesbetweendatapoints》 [J].science, 2007, 315(5814) :972-976.)，并将该算法结合不同图像像素点间的欧氏距离 对人脸图像进行了聚类研宄，取得了比k-centers更好的聚类效果。之后Frey等人将AP 聚类算法结合SIFT特征用于对CaltechlOl图像的聚类分析，证明了采用SIFT算法提取 图像特征结合AP算法进行图像聚类具有一定的优越性（Dueck,FreyBJ.《Non-metric AffinityPropagationforUnsupervisedImageCategorization》 [C]//Procof11th InternationalConferenceonIEEEComputerVision.Toronto,Canada, 2007:1-8)〇 王 昌栋等人于2013年在PAMI上提出MEAP聚类算法，将AP算法单簇类中心的模型拓展为多 子类中心的聚类模型，并结合SIFT特征对人脸图像、AaltechlOl图像与SceneClassl3的 聚类进行了研宄，提高了算法处理多子类图像的聚类精度（WangCD:《Multi-exemplar affinitypropagation))[J].IEEETransactionsonPatternAnalysis&MachineIntelli gence，2013, 35 (9) : 2223-2237)。目前，对我国传统云纹图案进行自动分类的研宄仍是空白。
【发明内容】
[0005] 本发明借鉴Frey与王昌栋等人的研宄成果，提出一种基于近邻关系传递的多 子类中心近邻传播聚类算法（neighborpropagationbasedmulti-exemplaraffinity propagation,NP-MEAP)，结合SC特征提取算法实现云纹图案的自动分类。本发明的目的在 于克服云纹图像人工分类非常低效的缺点，设计一种无监督的云纹图像自动分类技术。
[0006] 实现本发明的技术关键是：云纹图像预处理、提取云纹图像SC相似性矩阵、通过 改进的NP算法优化相似度矩阵、最后采用MEAP传播聚类算法进行自动分类。具体实现步 骤包括如下：
[0007] (1)云纹图像预处理，归一化云纹图像尺寸、去除背景噪声、云纹图像线条细化。
[0008] (la)归一化云纹图像尺寸，这样既方便后续图像的统一处理同时不会改变图像线 条分布情况
[0009] (lb)去除背景噪声，同时也方便采用数学形态学方法对图像进行细化。
[0010] (lc)云纹图像线条细化，因为不同类云纹图像的线条形状不同，而同类云纹图像 的线条形状基本相似，因此主要关注云纹图像线条形状。
[0011] ⑵提取云纹图像的形状上下文相似度矩阵
[0012] (2a)形状上下文算法认为每个图像中的物体可以用图形边界上均匀分布的有限 数目的离散点来近似描述，所以需提取云纹图像的边界上的离散点。
[0013] (2b)针对每个离散点计算其形状上下文。
[0014] (2c)计算两幅云纹图像中任意两点之间的形状上下文差异。
[0015] (2d)计算两幅云纹图像中任意两点之间的正切角差异。
[0016] (2e)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结合。
[0017] (2f)计算任意两幅云纹图像之间的形状上下文距离值。
[0018] (3)改进的近邻传递算法（NP)优化Ss。矩阵
[0019] (3a)计算形状上下文距离矩阵D。
[0020] (3b)计算近邻关系传递阈值e。
[0021] (3c)计算云纹图像之间的相似度矩阵S。
[0022] (3d)计算近邻关系矩阵N。
[0023] (3e)近邻关系传递算法优化相似度矩阵。
[0024] (4)将上述优化之后的相似度矩阵作为MEAP算法的输入矩阵，通过调整参考值， 获得正确的分类数，实现云纹图像的自动分类。
[0025] 本发明对云纹图像进行了预处理，选取了合适的图像特征提取算法，基于流形学 习的思想，采用改进的近邻关系传递算法对相似度矩阵进行优化，最后采用最新的多子类 中心近邻传播聚类算法实现自动分类，填补了云纹图像自动分类的空白，同时保证了云纹 图像自动分类的准确性。
[0026] 本发明具有以下优点：
[0027] (1)通过对云纹图像进行预处理，排除了图像尺寸、背景噪声、线条粗细的影响，保 证自动分类的准确性不受其影响。
[0028] (2)针对云纹图像的主要特征在于其线条形状，选取了当前最优越的形状特征提 取算法，形状上下文描述子保证聚类结果比较理想。
[0029] (3)本发明采用近邻关系传递算法对形状上下文相似性矩阵进一步优化使得算法 取得的自动分类准确性更高，实现云纹图像的自动分类。
【附图说明】
[0030] 图1是本发明的实现流程图；
[0031] 图2是MEAP的聚类模型；
[0032] 图3是部分云纹图像示例；
[0033] 图4是尺寸归一化后的云纹图像示例；
[0034] 图5是二值化之后的云纹图像；
[0035] 图6是细化之后的云纹图像；
[0036] 图7是云纹图像线条上所提取离散点示意图；
[0037] 图8是云纹图像中某点到其他点的向量示意图；
[0038] 图9是六种卷云纹图像示例图；
[0039] 图10是NP-MEAP与SIFT-MEAP、ED-MEAP云纹图像聚类精度对比示意图；
[0040] 图11是NP-MEAP算法在云纹图像上部分聚类结果示意图；
【具体实施方式】
[0041] -、基础理论介绍
[0042] 1.多子类中心近邻传播聚类算法
[0043] MEAP算法是一个拥有二层结构的聚类算法，如图2所示该算法将所有数据对象分 配给最合适的子类中心，将每个子类中心分配给最合适的超簇类中心，从而实现模型化多 子类问题的目的。
[0044] 与AP算法类似，MEAP算法为每个数据对象建立与其他数据对象的相似度信息 s(i,j)以及连接度信息1 (i,j)。算法为每个数据对象设定偏向参数p=s(k,k)与pp= 1 (k，k)值，p与pp值越大表示相应的数据对象作为候选的子类中心和超聚类中心的可能性 就越大，得到的聚类数就越多，通常分别设置P与PP值为相似度矩阵与连接度矩阵的中值。 MEAP算法的核心步骤为4类7个公式的交替更新过程，更新公式如下：
[0052] 上述公式中相关参数的具体含义可参见文献multi-exemplaraffinity propagation，所有新变量均初始化为0。MEAP算法在整个迭代更新过程中，各数据对象进 行竞争自动地产生相应的子类中心和超簇类中心，将其他数据对象分配给最近的子类中 心，子类