吉林大学学报(工学版) ›› 2017, Vol. 47 ›› Issue (4): 1308-1313.doi: 10.13229/j.cnki.jdxbgxb201704042

• 论文 • 上一篇    下一篇

基于稀疏矩阵的谱聚类图像分割算法

刘仲民1, 李战明1, 李博皓1, 胡文瑾2   

  1. 1.兰州理工大学 电气工程与信息工程学院,兰州 730050;
    2.西北民族大学 数学与计算机学院,兰州 730030
  • 收稿日期:2016-03-24 出版日期:2017-07-20 发布日期:2017-07-20
  • 通讯作者: 李战明(1962-),男,教授,博士生导师.研究方向:复杂系统的建模与控制,智能信息处理与模式识别.E-mail:liuzm@lut.edu.cn
  • 作者简介:刘仲民(1978-),男,副教授,博士研究生.研究方向:机器视觉,智能信息处理与模式识别.E-mail:liuzhmx@163.com
  • 基金资助:
    国家自然科学基金项目(61561042); 西北民族大学引进人才基金项目(1310RJYA013).

Spectral clustering image segmentation based on sparse matrix

LIU Zhong-min1, LI Zhan-ming1, LI Bo-hao1, HU Wen-jin2   

  1. 1.College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China;
    2.College of Mathematic and Information Technology,Northwest University for Nationalities, Lanzhou 730030, China
  • Received:2016-03-24 Online:2017-07-20 Published:2017-07-20

摘要: 在图像分割中谱聚类算法需要计算像素之间的相似度矩阵,构造数据量大,并且要对拉普拉斯矩阵进行特征分解,计算比较耗时。针对这一问题,提出了一种基于稀疏矩阵的谱聚类图像分割算法。算法结合图像特征信息在不同尺度上对谱聚类进行误差分析,设计了一种新的样本信息选取方案,并利用选取的图像信息直接创建稀疏相似度矩阵。理论分析以及图像分割实验结果表明,该算法能够有效降低谱聚类的计算复杂度,同时,提高了分割的准确性和鲁棒性。

关键词: 信息处理技术, 计算机应用, 图像分割, 谱聚类, 稀疏矩阵, K均值

Abstract: Spectral clustering based on the similarity while the structure of similarity matrix is complex in image segmentation. The calculation of spectral clustering can be very time-consuming, especially in the process of Eigen-decomposition for Laplacian matrix. Sparse matrix could obtain the approximate solution of the similarity matrix by sing a small amount of sample information, thus, reducing the computational complexity effectively. An image segmentation algorithm based on the sparse matrix is proposed. First, error analysis of the spectral clustering is carried out in different scales. Then, a novel sampling method is presented. The sample information is used to create a sparse matrix, which can be used to substitute the similarity matrix. Typical experiment results and theoretical analysis show that the proposed algorithm can effectively reduce the complexity in calculating spectral clustering and improve the accuracy and robustness of the segmentation.

Key words: information processing technology, computer application, image segmentation, spectral clustering, sparse matrix, K-means

中图分类号: 

  • TP911.1
[1] 蔡晓妍, 戴冠中, 杨黎斌. 谱聚类算法综述[J]. 计算机科学, 2008, 35(7):14-18.
Cai Xiao-yan,Dai Guan-zhong,Yang Li-bin. Survey on spectral clustering algorithms[J]. Computer Science, 2008, 35(7):14-18.
[2] 章毓晋. 图像分割中基于过渡区技术的统计调查[J].计算机辅助设计与图形学学报, 2015,27(3):379-381.
Zhang Yu-jin. A survey on transition region-based techniques for image segmentation[J]. Journal of Computer-Aided Design and Computer Graphics,2015,27(3):379-381.
[3] Zhu Z, Wang L. Initialization approach for fuzzy C-means algorithm for color image segmentation[J]. Application Research of Computers, 2015, 32(4): 1257-1260.
[4] Gou S, Zhuang X, Zhu H, et al. Parallel sparse spectral clustering for SAR image segmentation [J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2013, 6(4):1949-1963.
[5] Jia H J, Ding S F. A spectral clustering algorithm based on neighborhood rough sets reduction[J]. Journal of Nanjing University, 2013, 49(5):619-627.
[6] Fulger D, Scalas E. Spectral properties of correlation matrices—towards enhanced spectral clustering[J]. Methods in Molecular Biology, 2011, 696:381-411.
[7] 侯叶, 郭宝龙. 基于图论的运动对象分割[J]. 吉林大学学报:工学版,2008, 38(4):902-906.
Hou Ye,Guo Bao-long. Motion segmentation based on graph theory[J]. Journal of Jilin University(Engineering and Technology), 2008, 38(4): 902-906.
[8] Shi J, Maiik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 22(8):888-905.
[9] Bai X D, Cao Z G, Wang Y, et al. Image segmentation using modified SLIC and Nyström based spectral clustering[J]. Optik-International Journal for Light and Electron Optics, 2014, 125(16):4302-4307.
[10] Zhang K, Kwok J T. Clustered Nyström Method for large scale manifold learning and dimension reduction[J]. IEEE Transactions on Neural Networks, 2010, 21 (10): 1576-1587.
[11] Crevier D. Image segmentation algorithm development using ground truth image data sets[J]. Computer Vision & Image Understanding, 2008, 112(2):143-159.
[12] 宋艳涛, 纪则轩, 孙权森. 基于图像片马尔科夫随机场的脑MR图像分割算法[J]. 自动化学报, 2014(8):1754-1763.
Song Yan-Tao, Ji Ze-Xuan, Sun Quan-Sen. Brain MR image segmentation algorithm based on Markov random field with image patch[J]. Acta Automatica Sinica, 2014(8):1754-1763.
[1] 刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2] 王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3] 金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4] 赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5] 刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6] 苏寒松,代志涛,刘高华,张倩芳. 结合吸收Markov链和流行排序的显著性区域检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1887-1894.
[7] 徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[8] 黄勇,杨德运,乔赛,慕振国. 高分辨合成孔径雷达图像的耦合传统恒虚警目标检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1904-1909.
[9] 李居朋,张祖成,李墨羽,缪德芳. 基于Kalman滤波的电容屏触控轨迹平滑算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1910-1916.
[10] 应欢,刘松华,唐博文,韩丽芳,周亮. 基于自适应释放策略的低开销确定性重放方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1917-1924.
[11] 陆智俊,钟超,吴敬玉. 星载合成孔径雷达图像小特征的准确分割方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1925-1930.
[12] 刘仲民,王阳,李战明,胡文瑾. 基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1931-1937.
[13] 单泽彪,刘小松,史红伟,王春阳,石要武. 动态压缩感知波达方向跟踪算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1938-1944.
[14] 欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[15] 刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!