基于屬性關(guān)聯(lián)圖的圖像檢索與聚類研究.pdf

1、利用圖像的像素或低層特征構(gòu)建的圖表示能夠描述圖像或其中物體的結(jié)構(gòu)信息，對(duì)這種圖進(jìn)行分析能夠挖掘圖像數(shù)據(jù)的結(jié)構(gòu)特征，該特征具有抗旋轉(zhuǎn)、尺度縮放和平移等優(yōu)良的性質(zhì)，可以用來(lái)識(shí)別圖像或圖像中的物體。近年來(lái)，基于圖的圖像建模方法及其應(yīng)用受到了廣泛的關(guān)注。
　　 本文圍繞基于圖的圖像建模問(wèn)題進(jìn)行展開，在基于屬性關(guān)聯(lián)圖的基礎(chǔ)上，提出新的圖像去噪和圖像檢索方法，并對(duì)圖表示的圖像聚類問(wèn)題進(jìn)行了研究，提出更逼近全局解的聚類方法。具體工作如下:

2、r>　　 (1)針對(duì)圖像的椒鹽噪聲問(wèn)題，提出了基于屬性關(guān)聯(lián)圖和有序加權(quán)平均(OWA)算子的圖像去噪算法。依據(jù)圖像噪聲的特點(diǎn)，首先利用屬性關(guān)聯(lián)圖對(duì)圖像進(jìn)行表示，圖像像素對(duì)應(yīng)圖的節(jié)點(diǎn)，邊的屬性表示像素與相鄰像素的差異度。根據(jù)噪聲像素與周圍像素差異性大的特點(diǎn)，將噪聲檢測(cè)問(wèn)題轉(zhuǎn)化為搜索屬性關(guān)聯(lián)圖中具有最小點(diǎn)強(qiáng)度的節(jié)點(diǎn)問(wèn)題，然后采用OWA算子對(duì)噪聲點(diǎn)周圍像素的值進(jìn)行加權(quán)集成以濾除噪聲點(diǎn)。算法采取噪聲檢測(cè)和濾除交替進(jìn)行的方式，實(shí)驗(yàn)結(jié)果表明此方法不

3、僅能有效地濾除噪聲像素，而且能保持圖像的細(xì)節(jié)。
　　 (2)為了更有效地進(jìn)行圖像檢索，將圖像的高層結(jié)構(gòu)特征和低層屬性特征相結(jié)合，提出了基于屬性關(guān)聯(lián)圖的圖像表示和相似性度量方法。在區(qū)域鄰接圖的基礎(chǔ)上提出圖像的屬性關(guān)聯(lián)圖模型，利用圖像區(qū)域的多種特征作為節(jié)點(diǎn)屬性，并綜合顏色差異和節(jié)點(diǎn)的距離對(duì)邊進(jìn)行合理賦權(quán)，實(shí)現(xiàn)了圖像的屬性關(guān)聯(lián)圖建模。提取圖中點(diǎn)強(qiáng)度最大的若干節(jié)點(diǎn)及其邊生成屬性關(guān)聯(lián)子圖，該子圖包含了圖像的顯著區(qū)域信息。定義兩幅圖像的屬性

4、關(guān)聯(lián)子圖的匹配矩陣，并運(yùn)用基于譜方法的圖匹配方法得到圖節(jié)點(diǎn)的對(duì)應(yīng)關(guān)系，在此基礎(chǔ)上，利用廣義有序加權(quán)平均(GOWA)算子得到兩幅圖像間的相似度。在不同的圖像數(shù)據(jù)庫(kù)中進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)驗(yàn)證了該方法的有效性。
　　 (3)為了有效的結(jié)合圖像的結(jié)構(gòu)特征進(jìn)行圖像聚類，一方面將圖像用屬性關(guān)聯(lián)圖表示，在此基礎(chǔ)上提取圖像的高維特征向量，該向量包含圖像的低層視覺(jué)特征和圖的譜特征。另一方面，為了避免K-means和EM因初始點(diǎn)選擇不當(dāng)而陷入局部最小，

5、提出了兩種不同的K-means和EM初始化方法。第一種是基于密度峰值和最小生成樹的K-means和EM算法。該算法首先利用主成分分析將高維向量映射到PCA子空間，接著在PCA子空間內(nèi)進(jìn)行核密度估計(jì)，利用最小生成樹和圖連通分量算法找出數(shù)據(jù)點(diǎn)的密度峰值位置和團(tuán)結(jié)構(gòu)，根據(jù)數(shù)據(jù)點(diǎn)的類標(biāo)簽求解原始高維空間中各個(gè)類的中心點(diǎn)，最后以這些中心點(diǎn)來(lái)初始化K-means和EM算法。實(shí)驗(yàn)證明該方法能在較短的時(shí)間內(nèi)比同類的方法更逼近K-means和EM的全局解