基于鲁棒相似性测度的含噪图像分割的谱聚类方法

Due to the construction of the similarity measure not utilizing any spatial information of pixel in the image, traditional spectral clustering algorithms cannot obtain the satisfactory segmentation performance for images corrupted by noise. This project adopts some kinds of effective spatial information derived from the image to design novel spatial information-based similarity measures in terms of pixel level, gray level and region level in the image, and proposes the corresponding spectral clustering algorithms with spatial information. In addition, some supervised information is further incorporated with the spatial information to construct more effective similarity measures for spectral clustering, and then semi-supervised spectral clustering algorithms with spatial information are presented in this project..Image segmentation is one of important aspects in image processing and its quality and speed can have a direct influence on image analysis, understanding and description. Spectral clustering is one of effective methods for image segmentation. In order to solve the problem of spectral clustering applying to noisy images, this project fully utilizes the spatial information embedded in the image and the little supervised information provided by users to design similarity measures for spectral clustering. Therefore, this project will be of great theoretical significance and practical value.

传统的谱聚类算法应用于图像分割时，相似性测度的构建没有利用图像像素的空间信息，使得算法对于被噪声污染的图像无法获得令人满意的分割性能。本项目利用图像中各种有效的空间信息，分别从像素级、灰度级和区域级三种角度构建融合空间信息的相似性测度，提出相应的融合空间信息的谱聚类算法。此外，还将引入一定量的监督信息与图像的空间信息结合使用，构建更加有效的相似性测度，提出融合空间信息的半监督谱聚类算法。.图像分割是图像处理中的重要环节，分割的质量和速度对后续的图像分析、理解与描述等任务将产生直接的影响。谱聚类是解决图像分割问题的有效方法之一，本项目充分利用图像本身蕴含的空间信息和用户提供的少量监督信息构建相似性测度，旨在解决谱聚类在含噪图像上的分割问题，因此开展本项目的研究具有一定的理论意义和应用价值。

谱聚类算法建立在谱图理论基础上，与传统的聚类方法相比，它能在非凸的样本空间上聚类，是近年来机器学习领域的一个新的研究热点。传统的谱聚类算法应用于图像分割时，相似性测度的构建没有利用图像本身固有的特性，使得算法对于被噪声污染的图像无法获得令人满意的分割性能。本项目以谱聚类算法为研究基础，对基于鲁棒相似性测度的含噪图像分割的谱聚类算法进行研究。项目组成员按照申请书里给出的研究方案和研究计划进行了研究，在各个方面取得了重要的进展，基本达到了申请书的研究目标，具体内容如下：. 首先，为了解决传统分割方法对于噪声敏感的问题，充分研究了图像像素的空间信息，其中包括多种不同形状邻域窗的局部空间信息、鲁棒的局部空间信息、非局部空间信息和自调节非局部空间信息等，并对这些空间信息中涉及的参数进行分析研究，以减少其对后续聚类图像分割算法性能的影响；其次，在获得了有效的空间信息的基础上，构造基于有效空间信息的相似性测度并提出了基于空间特征的谱聚类含噪图像分割算法和基于鲁棒空间信息的模糊谱聚类算法。本项目也将多种空间信息引入到模糊聚类目标函数中，提出了多种融合空间信息的模糊聚类图像分割方法和基于空间信息的多目标进化模糊聚类图像分割算法；再次，从优化的角度来考虑谱聚类算法中的图划分准则，引入免疫克隆选择算法和用户提供的监督信息，分别提出了免疫克隆选择图划分方法和半监督免疫克隆选择图划分方法；最后，利用分水岭或超像素等方法获得图像的过分割区域，通过研究图像中的区域信息，提出了基于超像素的自适应彩色图像分割方法、基于分水岭过分割的多目标模糊核聚类和基于过分割的多目标阈值图像分割算法。. 通过本项目的研究，研究成果中充分利用了图像本身蕴含的空间信息和用户提供的少量监督信息，通过构建相似性测度或模糊聚类目标函数，旨在解决谱聚类和模糊聚类在含噪图像上的分割问题，为后续的图像分析、理解与描述提供有效的数据，因此开展本项目的研究具有一定的理论意义和应用价值。