图像分类与聚类分析

PAGEPAGE1图像分类与聚类分析内容摘要：图像分类是一个划分的经过，用聚类分析的方法进行图像分类是一个很好的选择。本文将课题组设计实现的基于密度和自适应密度可达聚类分析算法〔CADD〕与传统聚类算法K-means和条理聚类在真彩色BMP位图的分类中作了比照分析，结果证明CADD在图像分类中的应用具有良好的效果。本文关键词语：图像分类聚类算法CADDTP301.6A1007-9416(2011)12-0220-021、引言图像分类是根据图像信息中所反映的不同特征将不同类其余目的区分开来的一种图像处理方法。当前提出的图像分类方法各自基于不同的图像模型，它们利用不同的图像特性进行分类，有各自的适用范围和优缺点。常见的图像分类方法能够分为监督分类和非监督分类。监督分类和非监督分类的根本区别在于能否利用训练数据来获取先验的类别知识。监督分类根据训练数据集提供的样本选择特征参数，建立判别函数，对待分类点进行分类。因而，监督分类依靠于选定的训练数据。相比之下，非监督分类不需要更多的先验知识，它根据图像色彩的数据特性进行分类。因而，非监督分类方法简单且具有较高的精度。本文重要对三种非监督分类方法进行比照分析和有效性验证。2、非监督聚类分析方法2.1K-means方法K-means以K为参数，把n个对象分为K个簇，使得同簇内的对象具有较高的类似度，簇间对象的类似度较低。当结果簇是密集的，簇与簇间区别明显时，算法效果较好。但由于K-means要求用户必需事先给出K值，而K值的选定又很难，这就使得算法的使用遭到限制；同时，K-means不合适发现非凸面形状的簇和大小差异不同很大的簇，而且对于“噪声〞和孤立点数据很敏感，少量的该类数据能够对平均值产生极大的影响，导致聚类结果欠好。2.2条理聚类方法条理聚类方法对给定的数据集进行条理的分解，直到某种条件知足为止。分为凝聚的和分裂两种方法。条理聚类与K-means有两点不同：条理聚类采取逐个样本修正法或者成批样本修正法计算样本均值；条理聚类通过调整样本所属类别完成样本的聚类，可以以自动地进行类其余“合并〞和“分裂〞，进而得到比较合理的聚类结果。2.3基于密度和自适应密度可达聚类方法算法描绘叙述：输入：数据对象，coefR、σ输出：簇的数目，每个簇的对象和簇中心点，孤立点或噪声方法：(1)计算对象集的相异度矩阵、对象密度，构造候选数据对象链表；(2)i=1；(3)repeat；(4)在候选数据对象链表中寻找密度吸引点〔密度最大点〕ODensityMaxi，作为簇Ci的中心点；(5)将自适应密度可达范围内的数据对象划分到簇Ci中，即存放到Ci的数据链表中，同时从候选数据对象链表中删除已划分的对象〕；(6)i=i+1；(7)until候选数据对象链表为空；(8)将簇所包括数据对象数目小于给定阈值的簇划分到孤立点数据链表中；(9)输出最终聚类结果。3、实验结果分析实验利用MATLAB7.0得到真彩色BMP图像的R、G、B像素栅格矩阵，然后利用聚类方法将图像根据R、G、B值的类似性聚类，进而将图像内容分类成不同的色彩区域。本文从大量实验数据中选取了一幅典型的图像进行分析。对图1(a)所示原始图像分别利用CADD、K-means和条理聚类进行聚类，图像下方C1、C2、C3和C4表示簇和对应颜色。从图1(b)中看出CADD的聚类结果良好，结果簇C1、C2、C3和C4很好的反映出原始图像不同的色彩区域，而且聚类结果的噪声点集反映出了原始图像色彩内容变化过渡像素的存在。从图1(c)中看出K-means的聚类结果欠好，C3和C4的分类效果还能够，但C1和C2没能分辨出来。从图1(d)中看出条理聚类的聚类结果也欠好，C3和C4、C1和C2都没有很好的分辨出来。实验结果说明，图像内容色差变化较大且聚类簇的数目选择正确，K-means和条理聚类能力获得较好效果。但现实中的图像色彩变化是比较复杂的，图像内容分类数目确实定很困难。综上所述，CADD与K-means和条理聚类相比具有较高聚类精度和分辨率；CADD克制了传统单纯划分或条理算法需要人为指定最终聚类数目、不能很好的聚类复杂形状簇的缺点和基于密度的算法不能处理变密度簇的不足；CADD能够划分出变密度的簇和噪声点〔孤立点〕；CADD利用像素点的平均抽样提升了算法的效率。4、结束语图像的分类是图像处理领域主要的研究课题之一，在很多领域中都有广泛的应用，对它的理论研究有很主要的意义，而且聚类分析方法已成为数字图像分类的主要方法。研究结果表示清楚，通过对聚类算法的改良研究能够提升算法对图像分类的有效性。郝永宽〔1981-〕，男，硕士，讲师，重要研究方