[发明专利]基于特征重要度排序谱聚类的图像分割方法

摘要

本发明公开了一种基于特征重要度排序谱聚类的图像分割方法，主要解决现有谱聚类方法复杂度高和稳定性差的问题。其实现过程是：(1)对待分割图像提取灰度值特征，灰度共生特征或小波特征；(2)对特征数据进行归一化处理；(3)根据归一化后的特征数据，计算所有样本的重要度；(4)对所有样本的重要度进行排序，并选择重要度高的100个样本作为采样的样本子集；(5)根据方法，用选出的样本子集求解所有样本谱映射后的特征向量空间，并取前给定的类别数k个特征值对应的特征向量进行降维；(6)对降维后的数据进行k-means聚类，输出最终的图象分割结果。本发明与现有的谱聚类方法相比，结果稳定，复杂度低，图像分割结果有明显提高，可用于目标检测和目标识别。

主权项

1.一种基于特征重要度排序谱聚类的图像分割方法，包括如下步骤：(1)对待分割的图像进行灰度值特征，灰度共生特征或小波特征进行提取；(2)对所提取的特征数据进行归一化处理，以去除数据间量级的影响；(3)对归一化后的特征数据，根据不同的特征，分别计算所有样本的重要度；3a)对于灰度值特征，按照下式计算所有样本的重要度：I_i＝1/min{v′_i，255-v′_i}i＝1，2，…，N其中，N是样本总数，v′_i是第i个样本的灰度值；3b)对于灰度共生特征，按照下式计算所有样本的重要度：Ii=Σj=912vi(j)′i=1,2,...,N]]>其中，N是样本总数，v_i(j)′，j＝9，…，12分别是第i个样本在θ取值的4个方向上的能量值。3c)对于小波特征，按照下式计算所有样本的重要度：Ii=Σj=710vij′i=1,2,...,N]]>其中，N是样本总数，v′_ij，j＝7，…，10是第i个样本的低频子带能量值。(4)对所有样本的重要度I＝{I_i，i＝1，2，…，N}从高到低进行排序，并选择重要度高的前100个样本作为采样的样本子集；(5)根据方法，用选出的样本子集求解所有样本谱映射后的特征向量空间，并取其前k个特征值对应的特征向量进行降维，其中k是给定的类别数；(6)对降维后的数据进行k-means聚类，作为图像的最终分割结果。