圖像的分割與降維方法研究.pdf

1、本文在結(jié)構(gòu)上主要分為三個(gè)部分，第一個(gè)部分主要研究基于模糊聚類的圖像分割問題。第二個(gè)部分研究的是如何將高維的高光譜數(shù)據(jù)降維到低維空間，便于進(jìn)一步處理。第三個(gè)部分對第二部分提出的算法進(jìn)行深入的探討，主要是關(guān)于不同數(shù)據(jù)場景下該算法的距離測度選擇問題。下面說明一下各個(gè)部分的工作。
　　在第一個(gè)部分，提出了一種新的基于馬爾可夫隨機(jī)場和模糊聚類的圖像分割算法。提出的基于馬爾可夫隨機(jī)場（MRF）的正則模型，對圖像中的噪聲進(jìn)行了很好的抑制。提出的

2、算法采用了一種新的能量函數(shù)來同時(shí)利用距離和鄰域信息。在提出的能量函數(shù)中，我們使用了賦權(quán)距離來反映鄰域像素對中心像素的不同影響。通過這種新的能量函數(shù)，提出的算法在噪聲污染的圖像中能夠得到更高的分割精度。實(shí)驗(yàn)結(jié)果顯示在真實(shí)和合成圖像上，提出的算法都能得到很好的結(jié)果。我們的工作同時(shí)展示了如何通過設(shè)計(jì)能量函數(shù)來對鄰域信息進(jìn)行更加有效的應(yīng)用。
　　在第二個(gè)部分，研究了如何通過列向量選擇的方法對大規(guī)模矩陣進(jìn)行降維。我們選取高光譜圖像這樣一種特

3、殊的大規(guī)模矩陣作為我們的實(shí)驗(yàn)數(shù)據(jù)，提出了一種有效減少數(shù)據(jù)維數(shù)并盡量保留有用信息的降維算法。該算法的獨(dú)特之處在于采用了列向量選取的方法來對高光譜波段選擇問題進(jìn)行建模。在具體的求解中，依照最大化已經(jīng)選取列向量所構(gòu)成單純形體積最大為原則選擇列向量。在對數(shù)據(jù)的處理過程中，我們采用了曼哈頓距離作為高維數(shù)據(jù)的相似性度量，得到了比使用歐幾里得距離更好的效果。在實(shí)驗(yàn)中，用得到的算法對高光譜圖像進(jìn)行降維處理，并對降維過的高光譜圖像進(jìn)行地物分類，得到的精度

4、總體上超過了現(xiàn)有的方法，并獨(dú)有對噪聲的魯棒性，即無需去掉高光譜圖像的原始數(shù)據(jù)的低信噪比波段。
　　在第三個(gè)部分，在上一部分提出的降維方法的基礎(chǔ)上，根據(jù)高維學(xué)習(xí)對距離測度的敏感性，我們就列向量選取算法中不同距離測度的選擇在不同數(shù)據(jù)集上的情況分別進(jìn)行了的分析。我們還分析了列向量選取方法和一類矩陣分解方法：CUR分解的關(guān)系。我們對 CUR分解的幾種算法進(jìn)行了評估，并與改進(jìn)距離測度的列向量選取方法進(jìn)行了對比。實(shí)驗(yàn)結(jié)果顯示，使用不同的距離測