基于特征选择与谱聚类的视觉词典构建算法

传统的视觉词典一般通过K-means聚类生成,一方面这种无监督的学习没有充分利用类别的先验信息,另一方面由于K-means算法自身的局限性导致生成的视觉词典性能较差。针对上述问题,提出一种基于谱聚类构建视觉词典的算法,根据训练样本的类别信息进行分割并采用动态互信息的度量方式进行特征选择,在特征空间中进行谱聚类并生成最终的视觉词典。该方法充分利用了样本的类别信息和谱聚类的优点,有效地解决了图像数据特征空间的高维性和结构复杂性所带来的问题;在Scene-15数据集上的实验结果验证了算法的有效性。     

基于加权特征空间信息视觉词典的图像检索模型

针对传统的视觉词袋模型中视觉词典对底层特征量化时容易引入量化误差,以及视觉单词的适用性不足等问题,提出了基于加权特征空间信息视觉词典的图像检索模型。从产生视觉词典的常用聚类算法入手,分析和探讨了聚类算法的特点,考虑聚类过程中特征空间的特征分布统计信息,通过实验对不同的加权方式进行对比,得出效果较好的均值加权方案,据此对视觉单词的重要程度加权,提高视觉词典的描述能力。对比实验表明,在ImageNet图像数据集上,相对于同源视觉词典,非同源视觉词典对视觉空间的划分影响较小,且基于加权特征空间信息视觉词典在大数据集上更加有效。     

基于Nystrom谱聚类的词典学习

构建视觉词典是BOVW模型中关键的一个步骤,目前大多数视觉词典是基于K-means聚类方式构建。然而由于K-means聚类的局限性以及样本空间结构的复杂性与高维性,这种方式构建的视觉词典往往区分性能较差。在谱聚类的框架下,提出一种区分性能更强的视觉词典学习算法,为了减少特征在量化过程中区分性能的降低以及谱聚类固有的存储计算问题,算法根据训练样本的类别标签对训练数据进行划分,基于Nystrom谱聚类得到各子样本数据集的中心并得到最终的视觉词典。在Scene-15数据集上的实验结果验证了算法的正确性和有效性。特别当训练样本有限时,采用该算法生成的视觉词典性能较优。     

基于Nystr?m谱聚类的词典学习

构建视觉词典是BOVW模型中关键的一个步骤,目前大多数视觉词典是基于K-means聚类方式构建。然而由于K-means聚类的局限性以及样本空间结构的复杂性与高维性,这种方式构建的视觉词典往往区分性能较差。在谱聚类的框架下,提出一种区分性能更强的视觉词典学习算法,为了减少特征在量化过程中区分性能的降低以及谱聚类固有的存储计算问题,算法根据训练样本的类别标签对训练数据进行划分,基于Nystr?m谱聚类得到各子样本数据集的中心并得到最终的视觉词典。在Scene-15数据集上的实验结果验证了算法的正确性和有效性。特别当训练样本有限时,采用该算法生成的视觉词典性能较优。     

哈希编码结合空间金字塔的图像分类

目的 稀疏编码是当前广泛使用的一种图像表示方法,针对稀疏编码及其改进算法计算过程复杂、费时等问题,提出一种哈希编码结合空间金字塔的图像分类算法。方法 首先,提取图像的局部特征点,构成局部特征点描述集。其次,学习自编码哈希函数,将局部特征点表示为二进制哈希编码。然后,在二进制哈希编码的基础上进行K均值聚类生成二进制视觉词典。最后,结合空间金字塔模型,将图像表示为空间金字塔直方图向量,并应用于图像分类。结果 在常用的Caltech-101和Scene-15数据集上进行实验验证,并和目前与稀疏编码相关的算法进行实验对比。与稀疏编码相关的算法相比,本文算法词典学习时间缩短了50%,在线编码速度提高了1.3～12.4倍,分类正确率提高了1%～5%。结论 提出了一种哈希编码结合空间金字塔的图像分类算法,利用哈希编码代替稀疏编码对局部特征点进行编码,并结合空间金字塔模型用于图像分类。实验结果表明,本文算法词典学习时间更短、编码速度更快,适用于在线词典学习和应用。     

一种加权的空间模糊动态聚类算法

一般空间模糊聚类算法没有区分各属性之间的不平衡性和讨论分类数何时为最佳,针对这一问题,提出了一种加权空间模糊动态聚类算法。该算法首先利用层次分析法得到各属性的权值;然后将权值与空间模糊动态聚类法相结合;最后利用概率统计中的F-分布来确定最佳分类,以提高空间模糊聚类算法的智能性。将文中算法与基于模糊等价关系的传递闭包方法进行比较,试验表明,该算法聚类准确率要明显高于未加权的模糊聚类算法。     

基于免疫K-means聚类的无监督SAR图像分割

利用图像纹理的信息熵特征,并结合空间矩阵的概念,提出一种基于免疫K-means聚类的无监督SAR图像分割算法.免疫规划的K-means聚类克服收敛结果易陷于局部极值的缺点,且保持K-means算法快速收敛的特点.信息熵的应用可有效抑制相干斑噪声的影响,空间矩阵的引入实现聚类过程中类别的自动合并.该算法执行复杂度不高,对噪声的影响有较强的鲁棒性,分割结果较好,是一种实用的SAR图像分割算法.     

基于特征加权K-means聚类的多模型软测量建模

针对传统K-means聚类算法的聚类结果易随不同的初始聚类中心波动的问题,采用最大距离积法优化K-means聚类算法的初始聚类中心。传统的K-means聚类算法都假定样本的各维特征对聚类的贡献相同,影响了聚类效果和模型估计精度。为了考虑样本各维特征对聚类的不同影响,利用一种新型的特征加权K-means聚类算法逐步调整特征权值,最终有效改善了聚类效果。利用本文方法建立组合支持向量机模型,将其用于双酚A生产过程质量指标的软测量建模中,仿真结果表明该算法能够有效改进数据的分类效果并提高软测量模型的估计精度。     

基于超像素空间金字塔模型的场景识别研究

针对以往场景识别研究中将图像分割成大小相等的矩形区域进行特征提取而导致识别率低的问题,提出了一种基于超像素空间金字塔模型的场景识别方法：先对图像做不同分辨率的超像素分割,在得到的每个图像子区域中提取PACT特征,然后利用K-means聚类构建出图像集的视觉词典。在进行场景识别时,将每幅图像所有分割子区域的PACT特征连接成一个特征向量,并加入bag of words特征进行分类,最终的场景分类结果在支持向量机LIBSVM上获得。实验结果表明该算法能够有效提高识别率。     

基于马氏距离和H-K聚类的空值估计研究

传统的基于欧氏距离和K-means聚类算法的空值估计算法容易因为欧氏距离对量纲的敏感性和初始聚类中心对K-means聚类效果的影响产生估值误差。将层次聚类算法和K-means聚类算法有机结合起来的H-K聚类算法克服了K-means算法对初始聚类中心的敏感性,从而改善了聚类效果。与欧氏距离不同,马氏距离可以避免量纲的影响。为此提出一种改进的空值估计算法,将H-K聚类应用到空值估计算法中进行聚类,在聚类时采用马氏距离代替欧氏距离,在聚类后使用多元线性回归法计算样本中的空值。实验结果表明改进后的空值估计算法使得估计值的绝对误差率(MAER)得到降低。     

双重熵快速提取ROI图像优化分类方法

提出一种基于颜色熵极值及颜色熵互信息的双重熵快速提取感兴趣区域（Region of Interest, ROI）的多特征图像优化分类方法。首先使用颜色熵极值性确定最相关区域，然后基于颜色熵互信息进行子区域增长，快速确定连续ROI区域，并基于所提取的ROI对图像进行Dense-SIFT特征描述，随后使用K-means聚类生成视觉词典，为了利用空间局部信息，采用金字塔匹配方法，最后将特征输入到SVM进行分类。分别在Caltech101和Caltech256数据库上选取8组数据进行实验，使用ROI提取算法获得的平均分类准确率较未使用之前提高6.86%，收敛速率提升近一半。加入颜色熵、颜色三阶矩特征后，平均分类准确率进一步提高2.36%，较改进之前总共提高9.22%。     

基于波段影像统计信息量加权K-means聚类的高光谱影像分类

针对分类过程中如何合理利用高光谱影像波段问题,提出一种基于波段影像统计量加权K-means聚类的高光谱影像分类算法.该算法的核心思想在于:由波段含有的信息量及波段间的相关性确定各波段权重,同时考虑各波段对各聚类的重要性.首先,根据波段影像的熵、标准差及均值定义波段信息量函数,根据相邻波段影像互信息定义相关性函数;其次,由上述波段信息量函数及波段间相关性函数定义波段权重函数;然后,结合波段权重和波段-类属权重定义规则化目标函数;最后,依据参数特性设计目标函数求解方案.对Salinas高光谱影像和Pavia Centre高光谱影像分别采用所提出的算法与传统K-means算法、PCA$+K$-means算法及子空间波段选择$+K$-means算法进行对比实验,对于总精度及Kappa系数,所提出的算法都高于其他3种对比算法,结果验证了所提出算法的有效性.相对于其他3种算法而言,所提出的算法可有效改善高光谱影像分类的性能.     

K-means Iterative Fisher (KIF) unsupervised clustering algorithm applied to image texture segmentation

The K-means Iterative Fisher (KIF) algorithm is a robust, unsupervised clustering algorithm applied here to the problem of image texture segmentation. The KIF algorithm involves two steps. First, K-means is applied. Second, the K-means class assignments are used to estimate parameters required for a Fisher linear discriminant (FLD). The FLD is applied iteratively to improve the solution. This combined K-means and iterative FLD is referred to as the KIF algorithm. Two KIF implementations are presented: a mixture resolving approach is extended to an unsupervised binary hierarchical approach. The same binary hierarchical KIF algorithm is used to properly segment images even though the number of classes, the class spatial boundaries, and the number of samples per class vary. The binary hierarchical KIF algorithm is fully unsupervised, requires no a priori knowledge of the number of classes, is a non-parametric solution, and is computationally efficient compared to other methods used for clustering in image texture segmentation solutions. This unsupervised methodology is demonstrated to be an improvement over other published texture segmentation results using a wide variety of test imagery. Gabor filters and co-occurrence probabilities are used as texture features.     

基于加权优化的自然场景分类方法研究*

为了提高了静态图像中自然场景分类的识别精度,采用一种基于加权优化的聚类方法。将文本领域的文字激活力矩阵方法应用到了图像分类领域,将视觉词汇的数目减少使得运行时间减少,并降低了对存储内存的占用。在特征编码阶段,采用局部约束线性编码算法,并将其应用在空间金字塔模型的向量量化中,该算法能有效降低量化误差改善分类效果。实验结果表明,基于加权优化的局部约束线性编码算法能够获得更好的分类效果。     

基于信息熵的精确属性赋权K-means聚类算法

为了进一步提高聚类的精确度,针对传统K-means算法的初始聚类中心产生方式和数据相似性判断依据,提出一种基于信息熵的精确属性赋权K-means聚类算法。首先利用熵值法对数据对象的属性赋权来修正对象间的欧氏距离,然后通过比较初聚类的赋权类别目标价值函数,选择高质量的初始聚类中心来进行更高精度和更加稳定的聚类,最后通过Matlab编程实现。实验证明该算法的聚类精确度和稳定性要明显高于传统K-means算法。     

基于改进谱聚类的图像分割算法

针对传统谱聚类算法应用于图像分割时仅采用特征相似性信息构造相似性矩阵,而忽略了像素分布的空间临近信息的缺陷,提出一种新的相似性度量公式--加权欧氏距离的高斯核函数,充分利用图像特征相似性信息和空间临近信息构造相似性矩阵。在谱映射过程中,采用Nystrom逼近策略近似估计相似性矩阵及其特征向量,大大减少了求解相似性矩阵的运算复杂度,降低了内存消耗。对得到的低维向量子空间采用一种新型的聚类算法--近邻传播聚类算法进行聚类,避免了传统谱聚类采用K-means算法对初始值敏感,易陷入局部最优的缺陷。实验表明该算法获得了比传统谱聚类算法更好的分割效果。     

基于空间邻域加权的模糊C-均值聚类及其应用研究*

针对模糊C-均值聚类法用于图像聚类时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分类现象,提出一种新的基于空间邻域加权的模糊C-均值图像聚类法。首先,定义了一个空间邻域信息函数,该函数能够有力抑制噪声点,同时能够很好保留边界的特性;其次,设计了具有空间约束的样本邻域信息加权隶属度矩阵;最后,将该方法应用于人工合成图像和模拟MR脑图像的聚类。实验结果表明,该方法能够获得较好的聚类效果,同时具有较强的抑制噪声的能力。