改进的判别割及其在图像分割中的应用

谱聚类算法能在任意形状的样本空间上聚类且收敛于全局最优解,但判别割(Dcut)算法在计算正则化相似度矩阵及其特征向量时比较耗时,而基于子空间的Dcut(SDcut)算法则不稳定,为此,提出基于主成分分析(PCA)的Dcut算法(PCA-Dcut)。PCA-Dcut算法采用PCA算法计算相似度矩阵的前m个大的特征值对应的特征向量构造一个新的矩阵,然后采用构造的矩阵与相似度矩阵和拉普拉斯矩阵分别进行矩阵运算;接着通过计算获得一个m阶正则化相似度矩阵,并计算该矩阵的k个最大特征向量;最后使用构造的矩阵与这k个特征向量相乘获得最终用于分类的特征向量。PCA-Dcut算法能降低Dcut算法的计算复杂度。通过对人工合成数据集、UCI数据集和真实图像的仿真实验表明,PCA-Dcut算法的聚类准确率与Dcut等谱聚类算法相当,同时在分割图像时的运算速度约为Dcut的5.4倍,并具有比SDcut更快的速度和更好的性能。

融合SLIC的DCUT改进图像分割算法

谱聚类DCUT算法能在任意形状的样本空间上聚类且收敛于全局最优解,但其缺点是计算相似度矩阵和特征向量的复杂度较高.为了提高了DCUT的算法速度,提出了基于SLIC的DCUT算法(SDCUT).SDCUT算法首先采用SLIC算法分割图像成超像素,再根据任意两个超像素的归一化直方图计算Pearson系数作为超像素之间的相似度,从而建立基于超像素的相似度矩阵,最后采用DCUT算法对超像素进行分类获得最终分割结果.在一系列图像上的实验结果表明,与几种经典谱聚类算法相比,本文方法的分割速度更快,且具有较好的分割效果.

基于IRAM和半监督的谱聚类图像分割

谱聚类判别割(Dcut)计算正则化相似度矩阵及其特征向量比较耗时,对于大规模矩阵特征值问题,隐式重启动Arnoldi方法(IRAM)能够快速收敛到模值最大的k个特征值(即主导特征值)。因此本文采用IRAM算法计算相似度矩阵的主导特征值,减小运算时间。为解决谱聚类敏感于尺度参数的问题,提出利用少量监督样本求取每幅图像特有的尺度参数,进行半监督图像分割。通过对UCI数据集和自然图像的仿真实验表明,本文算法能有效提高Dcut的运算速度,同时性能稳定,分割结果优于Dcut和PCA-Dcut。