[发明专利]基于全局流形原型聚类算法与分水岭算法的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及图像分割，可用于图像增强、模式识别、目标跟踪等技术领域中。

背景技术

图像分割是图像处理过程中的一个重要步骤。图像分割的任务是将输入图像分割为一些独立的区域，使同一区域具有相同的属性，而使不同的区域具有不同的属性。对于图像分割问题，研究者已经提出了很多方法，但是鉴于图像种类多、数据量大、变化多端的特点，迄今为止还没有一种图像分割的方法适合于所有的情况。数据聚类作为一种图像分割的手段，得到了广泛的应用。

聚类作为一种重要的数据分析方法已在许多领域被广泛关注，它是按照一定的要求和规律对数据进行区分和分类的过程。目前的聚类算法多采取欧式距离作为相似性度量，并以随机选取的方法对聚类中心进行初始化，这就导致了两个限制其性能的主要缺点：

其一是欧氏距离只对空间分布为球形或超球体的数据具有较好的性能，而对空间分布复杂的数据聚类效果很差，这是基于欧氏距离的相似性度量的缺陷导致的必然结果。然而，现实世界中的聚类问题，数据的分布往往具有欧式距离无法反映的复杂结构。一些研究者将流形距离引入聚类来解决这个问题，比如：Maoguo Gong等人提出了一种密度敏感的流形距离作为聚类的相似性度量，参见Maoguo Gong，Licheng Jiao，Ling Wang，Liefeng Bo，“Density-Sensitive Evolutionary Clustering，”In：Proceedings of the 11th Pacific-Asia Conference on Knowledge Discovery and DataMining，PAKDD07.Springer-Verlag，Lecture Notes in Computer Science，LNAI 4426，pp.507-514，2007。然而，要用图论中的最短路径来计算流形距离，其计算复杂度要明显高于欧式距离的计算复杂度。随着数据集规模的增加，这个弊端尤为明显，便更无法应用于诸如图像处理等大规模聚类问题。

其二是在传统聚类方法中，如果初始化的时候多采用随机选取的方式确定初始聚类中心，就很有可能对聚类结果的准确性造成较大的影响。为了降低聚类算法对于初始聚类中心的敏感性，Sheikh，R.H.等人将进化算法加入到聚类过程中，参见Sheikh，R.H.，Raghuwanshi，M.M.，Jaiswal，A.N.，“Genetic Algorithm Based Clustering：A Survey，”Emerging Trends in Engineering and Technology，ICETET′08.FirstInternational Conference on 16-18 July 2008，pp.314-319，2008。进化算法是一种并行的搜索技术，可以解决传统聚类方法对初始聚类中心敏感的缺点，并且提高其收敛到全局最优解的概率。也有一部分学者对于聚类算法初始值选取作了研究，参见Zhang，Chen，Xia，Shixiong，“K-means Clustering Algorithm with Improved InitialCenter，”IEEE Knowledge Discovery and Data Mining，Second International Workshopon 23-25 Jan.2009 pp.790-792，2009。但是，进化算法作为一种搜索算法，在对解进行优化的过程中容易受到局部最优解的干扰而出错。

由于上述传统聚类算法存在的缺点对聚类性能有很大的影响，限制了聚类算法在图像分割方面的应用，因此，研究一种行之有效的图像分割方法是本技术领域科技人员的当务之急。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于全局流形原型聚类算法与分水岭算法的图像分割方法，以实现在图像分割中既能得到良好的结果，又能降低传统聚类分割方法对初始聚类中心的敏感度，使得图像聚类分割结果更稳定、边缘更平滑、区域一致性更好。

本发明的技术方案是将流形距离引入聚类算法中以达到更好的聚类性能，并针对图像处理此类大规模问题设计了先粗分，再细分的分割方法，提出了基于原型的聚类方法解决流形距离计算复杂度高的问题，以图像的离散小波变换子带能量为聚类数据，得到新的图像分割方法。其具体实现过程如下：

(1)设定聚类终止条件e为10^-10，给定分水岭标记阈值T、流形距离伸缩因子ρ运行参数；