论文部分内容阅读
聚类分析是一种常见的数据分析方法，其基本原理是利用数学建模及优化方法构建精确的数据描述统计模型，通过分析数据隶属于模型不同分量的概率实现数据类别属性的标记。作为人工智能领域的热门研究方向之一，该方法已成为了学术界热议的焦点，也逐渐成为了近几年图像处理领域的重要工具之一。本文将围绕聚类分析领域最经典的有限混合模型展开讨论，并针对有限混合模型在图像分割和图像检索领域的应用展开以下几个方面的研究: 本文首先对经典的有限混合模型及EM算法进行了推导。在此基础上，本文引入像素点的空间邻域信息，推导了基于马尔科夫随机场的学生混合模型，利用该噪声鲁棒的混合模型与CV模型的目标函数的相似性，提出了对噪声和梯度场鲁棒的改进型多相水平集方法。实验证明，该算法具有较好的图像分割精度。 受聚类分析在高维数据领域的应用启发，本文尝试将聚类分析的数据对象引申至高维空间，提出了一种核函数为对称学生分布和非对称瑞利分布线性加权形式的非对称噪声鲁棒有限混合模型，以实现对脑部核磁共振图像的fMRI时间序列的聚类分析。该算法主要囊括了fMRI时间序列的线性回归建模，基于全新非对称核函数的有限混合模型的推导，马尔科夫随机场的引入，以及针对该模型的EM算法的重新推导。在噪声环境下，实验通过算法比对，验证了本算法极好的噪声鲁棒性和统计显著性。 除了聚类分析在图像分割领域的应用研究，本文还将经典的高斯混合模型谱聚类方法应用于多图的相似度比对中，并提出了一种基于类别标记的图像检索方法。该算法利用高斯核函数获取图像相似度信息，结合相似度约束和正交约束，推导了有约束的NMF降维算法，并证明了其收敛性，通过高斯混合模型谱聚类确定图像的类别标记，并基于此在测试阶段实现检索结果的相似度排序。实验证明，当选取合适的参数时，该算法兼具较高的检索精度和检索效率。