基于多尺度降采样规范化割的图像裂纹检测

针对多尺度规范化割在边缘检测时精度低以及求解特征向量耗时长等缺陷,提出一种基于多尺度降采样规范化割的图像裂纹检测方法。该方法首先利用反对称双正交小波变换的半重构特性对待测图像的多个尺度进行边缘特征提取;其次结合各尺度的强度和位置特征构建多尺度相似矩阵和多尺度规范化相似矩阵;然后对多尺度相似矩阵进行降采样并利用谱分割方法实现降采样特征向量求解;最后利用多尺度规范化相似矩阵对降采样特征向量进行上采样的乘法运算并离散化后得到最终结果。在3个数据集的单一目标图像上进行文中方法与多尺度规范化割等方法的实验结果表明,不仅提高检测精度,而且减少运算时间。

基于符号规范化割的半监督学习与图像分割

半监督学习利用少量的辅助信息以提升学习器的性能.基于图的学习方法是较为典型的半监督学习实现途径,利用图来表达和分析数据,能够处理复杂的数据分布.不同于这类方法通常所利用的无符号图,符号网络具有更强的表达能力,其负边能够表达额外的信息.本文基于符号网络的规范化割(Signed Normalized Cut,SNCut),提出了可处理成对约束的半监督聚类,通过实验验证了负边给半监督学习带来的附加价值.将SNCut应用于图像分割问题,获得的分割效果明显优于规范化割.为了进一步强化边界对齐性,引入马尔科夫随机场(Markov Random Field,MRF)正则化项,构建SNCut&MRF目标函数,并提出基于界优化和图割的求解算法.结果表明,SNCut&MRF相比一些典型分割方法有更好的分割性能,在边界处表现良好.

三种谱聚类算法及其应用研究

为全面理解谱聚类(spectral clustering,SC)算法性能,利用四类几何结构数据,对规范化割(normalized cut,Ncut)、稀疏子空间聚类(sparse subspace clustering,SSC)和谱曲率聚类(spectral curvature clustering,SCC)三种谱聚类算法进行对比分析。结果表明,三种算法的聚类结果各有差异,但每类数据都可以找到相对最有效的聚类算法。Ncut无法处理相交的数据,适用性较差;SSC算法适用性较强,但聚类精度不高;SCC算法具有适用性强、精度高等特点,能够实现四类几何结构数据的有效聚类。此外,改进的SCC算法有效地实现了有数据间断的两条相交螺旋线聚类。最后,分析了现有SCC算法存在的不足,并指出进一步研究的方向。