论文部分内容阅读
随着大数据时代的到来,数据的多样性和复杂性已成为常态。数据挖掘技术通过提取海量数据中的有效信息,并对其进行处理和分析,以实现人们预期的目标。聚类分析是数据挖掘技术的一项重要研究分支,而谱聚类是聚类分析的一种有效方法。谱聚类以谱图划分作为理论基础,通过将聚类问题转化为图划分问题,从而实现在任意形状的样本空间中进行聚类。谱聚类由于聚类效果表现良好,因而被广泛用于数据挖掘的各个领域,其中,图像分割领域成为了谱聚类的重要应用领域之一。图像分割是图像数据处理环节中的关键步骤,图像分割性能的优劣将直接影响到图像认知理解的准确程度。因此,围绕图像分割的研究引发了学术界和工业界的普遍关注。彩色图像的分辨率随着数字技术的发展得到了提升,由此造成了图像尺寸的扩大。针对谱聚类算法在图像分割时运算复杂度大,处理时间长以及分割效果较为粗糙等问题,本文对超像素图像预处理算法和谱聚类图像分割算法进行了研究,其主要内容如下:1.针对传统谱聚类算法在图像分割时将单一像素点作为处理单元所带来的运算复杂度较大的问题,本文引入了超像素算法对彩色图像进行预处理。传统超像素SLIC算法在处理过程中需要人为设定均衡特征参数,针对这一不足之处,本文通过引入中介数学的思想,设计了一种自适应均衡特征参数的SLIC算法,能够在计算过程中根据图像的具体情况自适应地生成算法所需的均衡特征参数,从而在成本很小的运算时间内取得更优异的分割效果。通过实验的分析,验证了算法的有效性。2.针对传统Ncut谱聚类算法在求解相似度矩阵时需要手动输入参数这一不足之处,本文对Ncut算法的相似度矩阵进行了改进,并将自适应均衡特征参数的SLIC算法与改进后的Ncut算法进行了结合,生成一种新的基于超像素的谱聚类彩色图像分割算法。本文算法由于引入了超像素算法对图像进行预处理,有效地缩减了传统谱聚类算法在图像分割过程中的运算时间,改善了其处理效果。本文从两种不同角度的评价准则出发,对所提算法进行了实验的验证和分析,其结果表明,本文算法能够充分考虑彩色图像的尺寸及特征信息,在提升图像分割准确性的同时,有效降低了算法的处理时间。该论文有图25幅,表9个,参考文献105篇。