（信号与信息处理专业论文）基于半监督聚类的织物图像分割算法研究.pdf

浙江理工大学硕士学位论文 摘要 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有非常重要的位置， 并且己在计算机视觉、模式识别和医学图像处理等领域中得到了广泛的应用。 织物图像的分割研究是图像分割领域中的一个热点。织物图像是一种机织物的扫描 图，其分割方法与自然场景图像分割相比，有自己的特点。在对织物图像做分割处理时很 大程度上取决于用户的设定，即它不要求图像的像素做非常精确的归类，只需要对经纱或 纬纱上的像素进行大致的同一化归类即可。 为了解决织物图像的分割问题，本文首先介绍了一些常用的图像分割算法，比较了它 们的优缺点，给出了采用不同算法对织物图像进行分割的结果，对获得的结果进行讨论。 然后，把半监督聚类算法和最小错误率贝叶斯决策理论相结合，提出了一种基于最小 错误率贝叶斯决策的半监督聚类算法。该算法首先建立图像分割的最小错误率贝叶斯决策 模型；其次从标签数据中估计出不同类别的初始参数，对图像中每一象素点计算对各个类 别的后验概率，依据最小错误率贝叶斯决策理论对图像中的每一像素点进行类别判断，从 而实现目标图像的提取；最后对区域边缘进行平滑处理，得到最终的分割结果。在贝叶斯 决策过程中初始参数可以通过标签数据得到，避免了随机初始参数的盲目性和不确定性， 使得聚类迭代陷入局部极值的可能性大大减小，也减少了迭代的次数，进而提高了分割的 性能。对多幅织物图像进行对比分割实验，结果表明，该方法无须滤波就具有良好的抑制 噪声的能力，是一种可行的织物灰度图像分割方法。 最后，由于在众多的颜色空间中，h l c 颜色空间成功地模拟了人类的颜色视觉特征。 出于颜色视觉一致性的考虑，在h l c 颜色空间中运用颜色距离进行彩色织物图像分割。 为了减少运算量，提高分割效率，提出了一种基于半监督的颜色视觉聚类算法。该算法首 先对彩色织物图像进行颜色空间转换，利用先验信息和颜色距离作为判断准则进行色彩聚 类，然后进行区域合并，得到最终分割结果。实验表明基于半监督的颜色视觉聚类算法由 于集成了先验信息，能得到满足给定限制的精确图像分割结果，在抗干扰、运算速度和分 割稳定性等方面有明显的优势。 关键词：图像分割；织物图像；半监督聚类；贝叶斯决策 浙江理工大学硕士学位论文 t h er e s e a r c ho nf a b r i ci m a g e s e g m e n t a t i o na l g o r i t h mb a s e do n s e m i - s u p e r v i s e dc l u s t e r i n g a b s t r a c t i m a g es e g m e n t a t i o ni s ak e ys t e pi ni m a g ep r o c e s s i n ga n da n a l y s i s ，w h i c hp l a y sa n i m p o r t a n tr o l ei ni m a g ee n g i n e e r i n ga n dh a sb e e ne x t e n s i v e l ya p p l i e di nal o to fd o m a i n s i n c l u d i n gc o m p u t e rv i s i o n , p a t t e r nr e c o g n i t i o na n dm e d i c a li m a g ep r o c e s s i n g t h er e s e a r c ho nf a b r i ci m a g es e g m e n t a t i o ni so n eo ft h em o s ti m p o r t a n td i r e c t i o n si nt h e i m a g es e g m e n t a t i o nf i e l d t h ef a b r i ci m a g ei so n ek i n do fm a c h i n ef a b r i cs c a n n i n go n e ，w h o s e s e g m e n t a t i o na l g o r i t h m h a so w nc h a r a c t e r i s t i c c o m p a r e d 、析t l l n a t u r a ls c e n e s i m a g e s e g m e n t a t i o n s e g m e n t i n gt h ef a b r i ci m a g ed e p e n d so nt h eu s e r s s e t t i n g st oag r e a te x t e n t , n a m e l y , i td o e sn o tr e q u e s tt op r e c i s e l yc l a s s i f yt h ei m a g ep i x e l s ，b u to n l yn e e d st oc a r r yo nt h e w a r pt h r e a do rt h ew e f ti m a g ep i x e l st ot h ea p p r o x i m a t ei d e n t i c a lc l a s s i nt h i s p a p e r , t os o l v et h ef a b r i ci m a g es e g m e n t a t i o np r o b l e m ，w ef i r s t l yr e v i e ws o m e c o m m o n l yu s e di m a g es e g m e n t a t i o na l g o r i t h m s ，d i s c u s st h e i rs t r o n ga n dw e a kp o i n t s ，o b t a i n s o m er e s u l t sw h e na d o p t i n gd i f f e r e n ti m a g es e g m e n t a t i o na l g o r i t h m st os e g m e n tf a b r i ci m a g e a n da n a l y z et h er e s u l t si nd e t a i l b e s i d e s ，c o m b i n i n gt h ei d e ao fs e m i s u p e r v i s e dc l u s t e r i n ga l g o r i t h mw i t l lb a y e sd e c i s i o n t h e o r y ，w ep r o p o s ean e wk i n do fi m a g es e g m e n t a t i o na l g o r i t h mw h oi sc a l l e ds e m i - s u p e r v i s e d c l u s t e r i n ga l g o r i t h mb a s e do nt h em i n i n l u n le r r o rb a y e sd e c i s i o n t h i sk i n do fa l g o r i t h mf i r s t b u i l dt h em i n i m u me r r o rb a y e sd e c i s i o n sm o d e l ，t h e ne s t i m a t ed i f f e r e n ts o r t so fi n i t i a l p a r a m e t e r sf r o ml i m i t e dt a gd a t a , c a l c u l a t ep o s t e r i o rp r o b a b i l i t yo fe a c hs o r ti nt e r mo fe a c h p i x e lo ft h ei m a g et oa n d t h ep i x e l sa r ej u d g e dt od i f f e r e n ts o r t s ，s oa st or e a l i z et h ee x t r a c t i o no f t a r g e ti m a g e ；f e r m i ，w es m o o t ha n dp r o c e s st h ee d g eo fi m a g er e g i o n , g e tt h es e g m e n t a t i o ne n d r e s u l t t h ei n i t i a lp a r a m e t e r s ，w h i c hc o m ef r o mt a gd a t ai nt h ep r o c e s so fb a y e sd e c i s i o n , c a n a v o i dt h eb l i n d n e s sa n du n c e r t a i n t i e so fc h o o s i n gr a n d o mi n i t i a lp a r a m e t e r s o w i n gt oc h o o s i n g t h er e a s o n a b l ei n i t i a lp a r a m e t e r s ，t h ep o s s i b i l i t yo ft r a p p i n gl o c a lm a x i m aa n di t e r a t i v et i m e sa r e m u c hr e d u c e d ,f u r t h e re n h a n c et h ep e r f o r m a n c eo fs e g m e n t a t i o n t h ec o m p a r i n gs e g m e n t a t i o n n 浙江理t 大学硕+ 学位论文 e x p e r i m e n t so nm u l t if a b r i ci m a g e sa l ep e r f o r m e d ，w h o s er e s u l t sd e m o n s t r a t et l l a tt h i sk i n do f a l g o r i t h md o e sn o tr e q u i r ea n yf i l t e ra n dh a s b e t t e ra b i l i t yi nr e s t r a i n i n gi n t e r f e r e n c e s ow ec a n s a yt h a tt h i sa l g o r i t h mi saf e a s i b l ew a y f o ri m a g es e g m e n t a t i o n m o r e o v e r , a m o n gm o s tc o l o rs p a c e s ，h l cc o l o rs p a c eh a ss u c c e s s f u l l ys i m u l a t e dh u m a n i t y s c o l o rv i s i o nc h a r a c t e r i s t i c f r o mt h ep o i l l to fv i s u a lc o n s i s t e n c yo fc o l o r ，n b sc o l o rd i s t a n c ei s a p p l i e d t os e g m e n tf a b r i cc o l o ri m a g e t or e d u c ec o m p u t a t i o n a l q u a n t i t ya n di m p r o v e s e g m e n t a t i o ne f f i c i e n c y , w ei n t r o d u c eak i n do fs e m i s u p e r v i s e dv i s u a lc l u s t e r i n ga l g o r i t h m s t e p so ft h ea l g o r i t h ma l ea sf o l l o w s ：t r a n s f o r mt h ec o l o rs p a c eo ff a b r i ci m a g e ，e m p l o y p o s t e r i o ri n f o r m a t i o na n dc o l o rd i s t a n c ea saj u d g i n gr u l et oc o l o rc l u s t e r i n g ，c a r r yo nr e g i o n m e r g e ，r e c e i v ea ns e g m e n t a t i o ne n dr e s u l t w ec a ng e tt h ea c c u r a t es e g m e n t a t i o ne n dr e s u l t t h r o u g ht h ea b o v ea l g o r i t h mb e c a u s eo fm a k i n gu s eo fl i m i t e dp o s t e r i o rk n o w l e d g e e x p e r i m e n t s s h o wt h a tt h es e m i s u p e r v i s e dv i s u a lc l u s t e r i n ga l g o r i t h mh a sad i s t i n c ta d v a n t a g ei ns o m e r e s p e c t ss u c ha st h ea n t i - j a m m i n g ，c o m p u t a t i o n a ls p e e da n ds t a b i l i t yo fs e g m e n t a t i o n k e yw o r d s ：i m a g es e g m e n t a t i o n ；f a b r i ci m a g e ；s e m i s u p e r v i s e dc l u s t e r i n g ；b a y e sd e c i s i o n i i i 浙江理工大学学位论文原创性声明 本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师 的指导下，独立进行研究工作所取得的成果。除文中已明确注明和引用的内容外，本论文 不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰 写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。 学位论文作者签名：新例 日期：- 1 年弓月矿日 浙江理工大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权浙江理工 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印 或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 保密口，在 不保密口 学位论文作者签名：前腮峭 日期：呷年多月，? 日 年解密后使用本版权书。 指导教师躲厶 日期：弘吃叩年? 月扩e t 浙江理工大学硕士学位论文 1 1 研究背景和意义 第一章绪论 图像是人类获取和交换信息的主要来源，在人类接收的信息中有8 0 来自视觉或者说 为图像( i m a g e ) 信息，这包括图像、图形( 动画) 、视频、文本、数据等，这是人类最有 效和最重要的信息获取和交流方式。随着计算机的普及，人们越来越多地利用计算机来帮 助人类获取与处理视觉( 图像) 信息。 图像分割是一种关键的图像分析技术，是从图像处理进行到图像分析的关键步骤，也 是进一步图像理解的基础。图像分割按照不同的特性，如灰度、颜色、纹理等，将图像分 成若干个各具相似特性的区域，以便能提取出所需要的目标。在图像分割前，对图像的加 工主要处于图像处理的层次，图像分割后，对图像的分析才成为可能。图像分割在实际中 也已得到广泛的应用，例如在工业自动化，在线产品检验，以及军事、体育、农业工程等 方面。概括来说，在各种图像应用中，只要需对图像目标进行提取，测量等都离不开图像 分割。 图像分割通常是为了进一步对图像进行分析、识别、编码压缩等，分割的准确性直接 影响后续任务的有效性和正确性，因此具有十分重要的意义。通过正确的图像分割结果， 可以识别出场景中所感兴趣的区域和对象，从而获得物体的外形特征、空间位置，这些信 息是机器视觉、图像理解以及基于图像内容检索的基础和前提，在纺织品的设计与检测中 也不例外。对纺织品的图案及质量进行监控等均可用图像分割法加以研究。 但是，图像分割一直是机器视觉及多媒体应用技术中最困难的问题之一。尽管针对某 一特定的应用场合或者特定种类的图像，出现过这样或那样较为有效的分割方法，但至今 为止还没有一种通用的、可靠的自动分割算法。可以预见，在未来的几年内，迫切需要解 决的分割问题仍将是研究的热点。 1 2 国内外研究现状 尽管人们在图像分割方面做了许多工作，但至今仍无通用的分割算法，也不存在一个 判断分割是否成功的客观标准。因此已经提出的分割算法大都是针对具体问题的，并没有 一种适合于所有图像的通用的分割算法。实际上由于不同领域的图像千差万别，也不可能 l 浙江理工大学硕士学位论文 存在万能的通用算法。 多年来，图像分割一直受到人们的高度重视，分割算法层出不穷【1 2 1 。 ( 1 ) 基于区域的分割方法。 区域分割的实质就是把具有某种相似性质的象素连通起来，从而得到所需区域的方 法。它利用了图像空间的局部信息，可有效的克服其它方法存在的图像分割空间不连续的 缺点，但它通常也会造成图像的过度分割。该类方法通常又可分为三小类：1 ) 区域生长【3 ，4 】， 是按区域属性特征一致的准则，将属性相近的连通象素分到同一区域的分割方法；2 ) 区 域分裂，则是按区域问属性特征不一致的准则，将属性不同的连通象素分割到不同区域的 分割方法；3 ) 综合利用上述两种方法，就是分裂一合并的方法。 常用的分裂方法有：金字塔分割法【5 1 、分水岭算法1 6 - g l 、f c m 算法1 9 1 。合并算法中两种 最常用的有r a g 算法、n n g 算法。近年来，一些基于进化论的合并方法也提出来了，这 些方法不需要使用任何阈值，但大多数收敛速度很慢。 ( 2 ) 阈值分割方法 对图像的阈值分割，需要先确定一个或几个处于灰度范围之中的值作为阈值，然后将 图像中象素的灰度值都与该阈值进行比较，根据比较结果将象素分为两类或多类。这几类 象素一般分属图像的多类区域，从而达到分割的目的。如果需要我们将象素分为两类，那 么，如何确定一个最优阈值就是分割的关键。现有的大部分算法都集中在如何确定阈值上。 阈值化分割算法中几类主要的、有较大影响的算法是：直方图方法和直方图变换法【1 0 1 、最 大类间方差法【1 1 1 、最大熵方法f 1 2 】、矩不变法【1 3 】、最小误差法与均匀化误差法【1 4 , 1 5 】、模糊集 方法1 1 6 , 1 7 】、局部阈值分割与动态阈值分割【1 8 2 u 和二维阈值化方法 z 2 。2 5 1 、共生矩阵法【2 6 l 、四 元树法【2 7 1 、变分法1 2 羽、松弛法【2 9 1 等。 ( 3 ) 边缘检测 边缘检测3 2 1 以图像一阶导数的极值或二阶导数过零点作为判断边缘点的基本依据。 经典的边缘检测方法是构造差分算子用以检测图像灰度阶跃变化，进行分割。如r o b e r t 算 子、s o b e l 算子、p r e w i t t 算子、l a p l a c e 算子等。除上述这些比较简单的算子外，边缘检 测还包括以下几类：c a n n y 边缘检测，多尺度方法、多分辨分法、基于边界曲线拟合方法、 状态空间搜索法、动态规划法、哈夫变换等。 ( 4 ) 其他分割方法 这些分割方法通常同特定的理论工具结合，如数字形态学，模糊理论，人工神经网络，遗 2 浙江理工人学硕+ 学位论文 传算法，小波分析和变换等。现在，图像分割领域不断地有新方法、新概念引入，原有方 法也彼此相互融合，取长补短，综合运用。 织物图像与自然场景图相比，有自己的特点。从织物图像中提取不同组织区域的轮廓 ( 提花图案轮廓) 是织物设计与识别的首要工作。目前织物设计生产企业仍然用手工和人 机交互描绘的方式来提取不同组织区域的轮廓。相关研究主要可以分为两类：一类是提花 图案的提取，在背景织纹纹理中提取出前景图案的轮廓；另一类是组织区域的分割，将具 有不同织纹纹理的区域予以分割。 目前国内外学者对机织条纹织物的分割进行了充分研究并取得了很好的效果，由于该 类织物图案具有明显的周期特征，因此可以采用小波变换、纹理谱、傅立叶功率谱和共生 矩阵等方法【3 3 弓5 1 对织物中的平纹图案、斜纹图案以及缎纹图案进行识别提取。 为了更好的提取目标图像，减少误分割，文献【3 6 】依据最小风险贝叶斯决策理论，提 出了一种基于最小风险贝叶斯决策的织物图像分割方法。该方法首先建立图像分割的最小 风险贝叶斯决策模型，依据最小风险贝叶斯决策理论对图像中的每一像素点进行目标图像 和非目标图像的类别判断，从而实现目标图像的提取。为了减少纹理和噪声带来的分割误 差，文献【3 7 】采用颜色分量的线性组合运算与位屏蔽压缩相结合的方法，在彩色织物图像 中获得提花图案的二值图。这些方法仅考虑了像素在颜色或灰度上的量值分类，而没有考 虑其空间信息，具有较大的局限性。现有的这些方法偏重于背景图像中的目标区域提取， 但对于组成图案的多种组织区域却无法予以细分。 现常用处理织物图像的分割问题的办法是结合颜色和空间( 纹理信息) 两类特征进行聚 类。文献 3 8 1 提出的算法主要是利用了图像的空间和颜色信息，这也是目前研究图像分割 常用的策略。文献 3 9 1 在颜色聚类的基础上，把每种颜色用不同的序号来表示，生成一个 与原图同大小的序号矩阵，然后根据矩阵中序号的分布进行初始分割并产生种子区域，再 把初始分割未能确定的像素指派到种子区域中，最后根据颜色信息合并过分割的区域，并 对区域边缘进行平滑，得到最终的分割结果。文献【4 0 】研究了针对条格织物的组织区块分 割，采用纹理谱特征来描述织物图像的纹理，然后由k - m e a n s 聚类算法来实现组织区域的 分割。但它仅针对简单的条格织物，对于一般的织物图像，还需寻求更加通用的纹理分割 方法来解决。文献【4 1 】把聚类迭代算法运用到织物图像分割问题里，提出了一种基于m e a n s h i f t ( 均值偏移) 的织物图像分割算法，较好的解决了织物图像的分割问题。 3 浙江理t 大学硕士学位论文 1 3 本文的研究内容和创新点 本文以织物图像的分割为主要研究对象，重点对灰度织物图像分割和彩色织物图像分 割中一些相关技术和算法进行了深入细致的研究。针对织物的灰度图像和彩色图像的特点 分别提出一种分割算法。主要研究内容包括如下三个方面： ( 1 ) 在深入分析基于常用图像分割方法中存在的问题的基础上，把半监督算法应用 到织物图像分割中来，目的在于解决如何自动选取聚类的数目、如何选取初始类中心、如 何降低计算量等问题。利用有限的先验知识和标签数据来确定聚类的类别数和初始聚类中 心。由于选择了合理的初始参数，使得聚类迭代陷入局部极值的可能性大大减小，也减少 了迭代的次数，进而提高了分割的性能。 ( 2 ) 织物图像检测中的图像分割，也就是要把织物图案提取出来，即需判定图像中的 每一点是否为花色边缘轮廓。为了降低像素点被误分到其他类中去的可能，实现更有效的 分割，引入最小错误率贝叶斯决策模型。结合半监督聚类算法和最小错误率贝叶斯决策理 论的优点，提出了一种基于最小错误率贝叶斯决策的半监督聚类图像分割方法。首先建立 图像分割的贝叶斯决策模型；其次从有限的标签数据中得到初始参数，对图像中每一象素 点计算对各个类别的后验概率，依据最小错误率贝叶斯决策理论对图像中的每一像素点进 行类别判断，从而实现目标图像的提取。 ( 3 ) 讨论了彩色图像分割时的颜色空间选择问题，提出了一种在h l c 颜色空间中的 半监督颜色视觉聚类算法。织物彩色图像是一种机织物的扫描图像，因为纺织工艺的限制， 同一织物上的纬纱颜色一般不会超过8 种，因此得到的图像相对于自然图像来说颜色分布 比较简单。该算法中由于首先对彩色图像进行量化，大大减少了运算量，利用视觉一致性 原理，半监督颜色视觉聚类算法将相近颜色归于一类，可以成功的把不同颜色花纹分割出 来。 1 4 本文组织结构 第一章为绪论。介绍了课题研究的背景与实际意义，分析了织物图像分割领域的国内 外研究现状，引出了基于半监督聚类的织物图像分割的理论和实际意义，从而阐述了本文 的工作内容。 第二章为图像分割方法的综述。对图像分割算法进行了分类、归纳和总结，并指出各 类方法的优缺点。 4 浙江理工大学硕十学位论文 第三章介绍了半监督学习和半监督聚类的常要算法、基本原理、模型和一般步骤。 第四章研究织物灰度图像的分割算法。织物图像检测中的图像分割，也就是要把织物 图案提取出来，即需判定图像中的每一点是否为花色边缘轮廓，因此在本章提出了一种基 于最小错误率贝叶斯决策的半监督聚类算法的图像分割方法。结合实验，通过对多幅实际 图像的分割，将应用该算法的图像分割结果在分割质量、抗噪能力等方面与一些常用的算 法进行了评估对比。 第五章研究织物彩色图像的分割算法。提出了一种半监督视觉颜色聚类分割算法，应 用于织物图像分割。利用有限的人工信息，即在图像上点击有限的几个点以标识对应区域 的关系，从而得到满足给定限制的精确图像分割结果。算法首先对图像进行量化处理，而 后在量化后的颜色空间中集成先验的分割信息进行聚类分割，再在聚类的结果上进行区域 合并，最后得到了分割的结果。通过对织物图像进行了不同算法的分割、比较，实验验证 基于半监督聚类的织物图像分割算法的有效性。 第六章为总结和展望。首先总结全文，提出我们工作的创新点、解决的关键技术以及 理论与实践价值。然后给出展望，包括织物图像分割算法以及应用中存在的不足、需要解 决的问题以及可能的实现途径；同时也阐述织物图像分割的发展方向。 5 浙江理工人学硕士学位论文 第二章图像分割 图像分割具有广泛的应用前景，因而得到了人们广泛而深入的研究。图像分割技术经 过几十年的发展，借助于各种理论已经提出了数以千计的分割算法，而且这方面的研究仍 然在积极进行。人们从图像本身的特征出发，利用各种数学理论和工具，使用不同的模型， 对灰度以及彩色图像进行分割处理，形成了错综复杂的图像分割方法。现有的分割算法非 常多，可以分为以下几类：基于边缘检测的、基于区域的、阈值化分割和基于一些特定理 论工具的分割方法。 2 1 灰度图像分割 2 1 1 边缘检测 一幅图像中的不同对象区域之间总是存在边缘，边缘是灰度或颜色值不连续( 突变) 或者至少是特征变化较大的结果，图像中的边缘含有丰富的信息。人的视觉对这种变化较 快的部分是比较敏感的，当人们观察各种场景时，首先注意到的就是不同物体的相交处， 并很快得出每个物体的轮廓。边缘检测方法试图通过检测不同区域间的边缘来解决图像分 割问题。 边缘检测一般分为三个步骤：首先利用一些边缘检测算子检测出图像中可能的边缘点； 其次，对有一定厚度的边缘进行复杂的边缘细化得到精确的厚度为1 个像素的边缘；最后 利用边缘闭合技术以便得到封闭的边缘。 常用的边缘检测算法有r o b e r t 算子、s o b e l 算子、p r e w i t t 算子和c a n n y 算子等。 ( 1 ) r o b e r t 算子 把图像看成二维灰度的函数f ( x ，y ) ，则在厂突变的地方，它存在最大的空间梯度变化 值。根据这一原理可采样一阶微分、二阶微分来处理边缘。 梯度法边缘算子为一阶微分操作又称为梯度算法，对于 ，y ) 点，它的灰度变化在x ， y 方向可表示为： 6 浙江理工大学硕士学位论文 锄 可 砂 2 - 0 ) 梯度的变化大小为力+ ，称为边缘强度值，方向为t a n = ( 正，) ，采用4 5 。，1 3 5 。交 叉的像素之差来表示，则称为r o b e r t 算子。 对于数字图像，r o b e r t 交叉算子为梯度幅值计算提供了一种简单的方法： a x = f ( i + 1 ，+ 1 ) 一f ( i ，歹)2 - ( 2 ) a y = f ( i + l ，歹) 一f ( i ，j + 1 )2 - ( 3 ) m = 缸2 + 妙2 2 - ( 4 ) 其差分值将在内插点【i + 1 2 ，+ 1 2 】处计算。r o b e r t 算子是该点的连续梯度的近似值，而 不是所预期点【f ，刀处的近似值。 ( 2 ) s o b e l 算子 s o b e l 算子，采用3 x3 邻域可以避免在像素之间内插点上计算梯度。考虑点【f ，刀周围的 排列如图2 1 所示。 s o b e l 算子也是一种梯度幅值： 其中的偏导数用下式计算： 图2 1 点 f ，刀周围的排列 m = 正孓砭。 s j = ( 口2 + c 口3 + a 4 ) 一( 口o + c a 7 + a 6 ) ，2 一( 5 ) s j ，= ( a o + c a l + a 3 ) 一( 口6 + c a 5 + 口4 ) ， 2 一( 6 ) 其中常数c = 2 。这一算子把重点放在接近模板中心的像素点。 ( 3 ) p r e w i t t 算子 p r e w i t t 算子与s o b e l 算子的方程式完全一样，只是c = 1 ，由此可见与s o b e l 算子不同， 7 浙江理工大学硕士学位论文 这一算子没有把重点放在接近模板中心的像素点。 ( 4 ) c a n n y 算子 c a n n y 算子是高斯函数的一阶导数，是对信噪比与定位之乘积的最优化逼近算子。在 抗噪声干扰和精确定位之间选择了一个最佳方案。 边缘检测算法的最大缺点是容易产生不连续的边界，因而需要进行边缘连接处理。连 接边缘点最简单的方法之一是分析图像中每个点( x ，j ，) 的一个小邻域如3 x 3 或5 x 5 内像素 的特点，该点是用边缘检测技术标记了的边缘点。将所有依据事先预定的准则而被认为是 相似的点连接起来，形成有共同满足这些准则的像素组成的一条边缘。 2 1 2 区域分割 基于区域的方法假设同一区域中相邻的像素在视觉上应该有相似的特征，如灰度特 征、颜色特征或纹理特征等，然后按属性一致的原则，反复分开属性不一致的图像块，合 并具有一致属性的相邻图像块，直至形成一张区域图。基于区域的分割算法的优点是充分 应用了图像的空间信息，分割出来的图像也都是连续的，且不受图像中的分支数的限制。 这类方法中最有名和常用的有：区域生长算法、分裂和合并算法。 ( 1 ) 区域生长算法 区域生长分割算法是一种比较老的算法，近年来很少有专门针对这种方法的研究。其 基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个要分割的区域找一个 种子像素作为生长点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素合 并到种子像素所在的类中。但是，区域生长算法进行分割存在两方面的难点：一个是种子 点的选择，不同的种子会有不同的分割结果；另一个是区域生长过程中的相似性准则的设 置，这两个都在很大程度上直接影响着分割的质量。如何自动有效地选择种子点最终得到 精确的分割仍然是一个难题。 区域生长算法的很大优点是计算复杂度低、速度快。区域生长算法很大的缺点是在没 有先验知识的情况下，采用随机的种子点和随机的相似性准则分割的结果可能会与实际情 况相差甚远。 ( 2 ) 分裂和合并算法 分裂合并的方法是把输入图像分成任意大小且不重叠的区域，然后再按照定的相似 性准则合并或分裂这些区域以满足分割的要求。这类方法一般需要根据图像的统计特性设 r 浙江理工大学硕+ 学位论文 定图像区域属性的一致性测度判断准则。因此，这个准则设定的好坏直接影响着分割的质 量。 2 1 3 阈值分割 阈值化分割已经有几十年的历史，是图像分割领域中较早出现的一类方法，也是最基 本的方法，在灰度图像的分析和识别中起着重要的作用。其目的是按照图像的灰度级，将 图像空间划分成与现实景物相对应的一些有意义的区域。在图像分割过程中，如果目标像 素的灰度级与背景像素的灰度级有明显不同，阈值分割方法就是一项非常有效的技术，它 可以将目标从背景中较好地分割出来。阈值化分割有单阈值分割和多阈值分割。单阈值分 割就是设定一个灰度阈值丁，对于一幅灰度图像f ( x ，y ) ，将图像中的像素分成两类：满足 f ( x ，y ) t 的和f ( x ，y ) - j 6 6 , 6 7 】；标签有噪声时的数据处理【6 8 】；利用少量正样本和大量未标 注数据进行学习以及对于大量未标注数据中已知只存在少量正样本的情况下对于正样本 进行检澳i j 6 9 , 7 1 】；对各种监督学习算法进行修改，探讨如何融入非监督数据信息【7 2 】或者对于 非监督学习算法进行修改【7 3 j ，探讨监督数据信息的引入；利用有限混合模型对于数据的概 率分布进行建模或者利用其他模型对于数据标签关于特征维的条件概率进行建模，利用 e m 算法学习模型参数的半监督学习的研究【7 4 】等。研究者同时开展了将半监督学习和传统 模式识别和机器学习中的一些问题相结合的研究，例如基于半监督学习的特征提取，半监 督学习和集分类器的设计i 7 5 】等。国际研究者同时开展了与半监督学习有着密切关联的一些 相关研究，具有代表性的是利用半监督数据和数据的不同特征维子集在数据的不同视图上 同时训练具有良好性能的学习机器【7 6 1 。 目前半监督学习的研究正在继续从广度和深度上不断进行扩展。就广度而言，一方面 不断有各种传统的或者新提出的监督非监督算法的半监督情况下的修改算法出现，另一方 面，不断有新的数学方法引入半监督学习。同时半监督学习探讨的对象已经由简单的利用 2 1 浙江理工人学硕士学位论文 半监督数据训练扩展到半监督数据的流形分析，半监督数据和图模型的关系，半监督数据 和基于核学习的关系。换而言之，半监督学习已经与当前机器学习研究的各热点和重点问 题的研究紧密联系在一起。就深度而言，已经有许多研究探讨基于各种不同的有限混合模 型的半监督学习的统一方法，基于数据的特征视图的半监督学习机器的性能分析，半监督 学习和主动学习相结合提高学习机器性能，半监督学习的聚类假设的显式数学表达等等。 解决半监督学习有几类重要思路：基于完全数据概率分布p ( x ，y ) 建模，利用e m 算法 对于模型参数估计；基于条件概率密度p ( y x ) 建模，利用e m 算法对于模型参数估计；对 于已有的监督，非监督算法进行修改，获得相应的半监督学习算法。第一类基于完全数据 概率分布p ( x ，y ) 建模中比较有代表性的有：基于n a v e b a y e s 假设的概率模型( 例如n a v e b a y e s 分类器) 和e m 算法的半监督学习；基于广义高斯混合模型( g e n e r a l i z a b l eg a u s s i a n m i x t u r em o d e l ) 的概率模型的半监督学习算法。 3 2 半监督聚类算法介绍 半监督聚类利用一些数据上的类别标记或约束来辅助非监督的聚类过程。由于许多情 况下，数据的类别信息是不完全的，半监督聚类可用一些标记数据的类别信息或约束对数 据进行聚集，扩展并且修改最初的类别标记【6 4 1 。 半监督聚类算法分为两类： ( 1 ) 基于标记数据和约束的算法。该算法利用标记数据和约束使聚类的结果满足目标 函数。标记数据指明一个实例所属的类别，而约束指明两个实例应属于相同的簇m u s t l i n k 或属于不同的簇c a n n o t l i n k 。具体的算法有：修改目标函数满足指定的约束；在聚类过程 中人为地添加约束；根据从标记数据中得出的近邻，初始化簇和推理簇的约束；基于图模 型的约束聚类算法；其他类型的约束等。 ( 2 ) 基于距离的算法。该算法使用满足标记或约束的距离测度函数实现聚类过程。具 体的算法有：基于凸的优化算法而得到的马氏距离；基于最短路径算法而得到的欧氏距离； 利用梯度下降而得到的j e n s e n - s h a r m o n 离散量：用e m 算法改进编辑距离( s t r i n g e d i t d i s t a n c e ) 等。 这一类方法主要是将监督数据纳入k 均值流程，对于监督数据的使用在k - 均值算法中 进行一些限定，同时利用这些监督数据来确定各个聚类的类别。属于比较直观的利用监督 数据帮助非监督聚类的算法。w a g s t a f f 等人提出利用问题的背景信息以及数据间的必然联 2 2 浙江理下大学硕士学位论文 系( m u s t - l i n k ) 和不能联系( c a n n o t 1 i n k ) 来指导。 k m e a n s 聚类( c o p k m e a n s ) ，算法流程为： 设置初始聚类； 分配点到不违反限制的最近类中，如果没有这样的类，返回失败； 更新类别中心； 重复上面步骤，直至收敛。 s u g a t ob a s u 等人进一步提出两种半监督的k 一均值聚类，主要想法是利用监督数据产生 初始聚类种子( s e e d ) ，同时利用监督数据的约束指导聚类过程。他们在某些数据集上的实 验说明这些算法比在2 0 0 1 年提出的c o p k m e a n s 半监督学习算法要好。首先对于考虑k 均值的另一种表述一s p l 洲e 趾s 。如果点x = 而，h ) ，x t r d ，那么k m e a n $ 产生一个k 分割， 五 ， 鸬9o - 0 9 段) 为各分割中心。对于数据点和中心根据l 2 范数归一化，这样，可 以将目标函数形式变化，转化为最大化目标函数： ，嘶淞= x ，t ， 3 - ( 1 ) l = 1x ；xl 、。 那么两种半监督算法流程描述如下： s e e d e d - k _ l v l e a n s 输入为数据点和分割的数目k ，初始的种子集合s = u 乞s ，输出为目 标函数最优的k 分割： 初始化f i b ( 。) g - 南一肛1 ，一即钏 重复下列步骤直至收敛： ( 1 ) 分配聚类：不考虑s e e d 集合中的点。重新分配点到各类h 中根据 h a r g m i n 卜训2 ( 2 ) 重新估计均值。 c o n s t r a i n e d k m e a n s ：输入为数据点和分割的数目k ，初始的种子集合s = u 乞。s ，输出 为目标函数最优了的k 分割： 初始化：属。) 卜丽1 。黾毛而= l ，k ；f 卜。 浙江理工大学硕士学位论文 重复下列步骤直至收敛： ( 1 ) 分配聚类：重新分配点到各类h 中，如果x s k ，直接将其放) k h 聚类，否则 根据矿= a r g m i n x 一群1 1 2 ； 厅 ( 2 ) 重新估计均值。 浙江理工大学硕+ 学位论文 第四章织物灰度图像分割 不同类型的图像有不同的特征空间，灰度图像的特征空间一般是灰度值。设待处理的 数字灰度图像的灰度表达式为：f ( i ，j ) ，其中( f ，歹) 表示像素的空间坐标，f ( i ，j ) 表示像素 的灰度值。织物图像是一种机织物的扫描图，不是自然场景图像。在作图像分割处理时很 大程度取决于用户的设定，也就是说它不要求图像的像素做非常精确的归类，它只需要对 经纱或纬纱上的像素进行大致的同一化归类即可。 织物图像检测中的图像分割，也就是要把织物图案提取出来，即需判定图像中的每一 点是否为花色边缘轮廓，基于此本章提出了一种基于最小错误率贝叶斯决策的半监督聚类 图像分割算法。 4 1 灰度图像的去噪处理 数字图像在电子成像、信号传输和量化等过程中都有可能受到噪声的干扰，再由感光 胶片颗粒、光照等各种原因也会产生噪声。而图像分割过程中的边缘检测和聚类迭代对噪 声都是很敏感的，虽然分割算法的设计最好具有一定的抗噪能力，但对强噪声图像，无论 什么算法都很难保证分割的正确性。所以，对于一些强噪声图像，最好在分割前做一些去 噪预处理。 图像去噪处理实际上是一个图像复原的过程，图像复原过程一定是基于某种先验知识 的，也就是说对噪声图像的噪声有一定的了解，否则很难进行。常见的噪声【7 7 】有电子噪声、 光电子噪声和感光胶片颗粒噪声等三大类。人们对这几类噪声进行了大量的分析研究，并 根据其特性和规律，建立了相应的一些噪声模型。常用的噪声模型有：高斯g a u s s i a n 噪声 模型、泊松p o i s s o n 模型、椒盐噪声模型和颗粒噪声模型。 对这些类型的噪声的处理方法最常见的有：基于最b - - 乘法原理的维纳滤波和一种非 线性处理方法一中值滤波 7 8 1 。这两类方法在图像去噪复原中取得了较好的效果。但是，无 论采用何种方法，都有可能引入新的噪声，把一些图像中本有的细节给平滑掉了，丢失掉 图像的某些信息。所以在选择去噪的方法和相关的参数时应特别谨慎，要充分掌握和利用 先验知识，减少由于噪声处理带来的新噪声。 浙江理工大学硕士学位论文 4 2 最小错误率贝叶