基于譜聚類和字典學(xué)習(xí)的圖像分割.pdf

1、在圖像去噪、圖像修補和超分辨率重構(gòu)等領(lǐng)域，字典學(xué)習(xí)算法已經(jīng)獲得了很好的應(yīng)用，而在對圖像的分割方面應(yīng)用較少。因為可以認(rèn)字典學(xué)習(xí)和稀疏表示是對圖像信息結(jié)構(gòu)的一種稀疏刻畫，將字典學(xué)習(xí)和稀疏表示的思想應(yīng)用到圖像分割問題中，因此我們將字典學(xué)習(xí)與近幾年研究得比較多、應(yīng)用逐漸廣泛的譜聚類算法結(jié)合，以圖像分割為應(yīng)用背景，對字典學(xué)習(xí)和譜聚類的各種切合點進(jìn)行了研究。
　　 本論文的主要工作概括如下：
　　 (1)提出了一種基于字典學(xué)習(xí)采樣譜

2、聚類的圖像分割算法，該算法引入字典學(xué)習(xí)方法，對全局?jǐn)?shù)據(jù)進(jìn)行字典學(xué)習(xí)，以獲得具有全局結(jié)構(gòu)信息的字典，再從數(shù)據(jù)集中尋找與字典原子相近的點作為采樣點，并且自適應(yīng)判斷采樣點信息量是否飽和。實驗結(jié)果表明，該算法相比Nystrom譜聚類算法準(zhǔn)確率有較大提高。
　　 (2)提出了一種基于雙字典學(xué)習(xí)譜聚類的圖像分割算法，因為在一幅圖像中，有很大一部分信息都包含在邊緣部分，該算法首先利用邊緣檢測方法將圖像分為邊緣和區(qū)域兩部分，然后引入字典學(xué)習(xí)方法

3、，對邊緣和區(qū)域分別進(jìn)行學(xué)習(xí)，再根據(jù)數(shù)據(jù)與字典原子的距離得到采樣點。實驗結(jié)果表明，該算法相比Nystrom譜聚類算法準(zhǔn)確率有較大提高。
　　 (3)提出了一種基于譜聚類和判別字典學(xué)習(xí)的圖像分割算法，該算法利用塊取樣提取特征的方法取代以往的大量提取特征時間，根據(jù)譜聚類算法獲得樣本標(biāo)記與字典，再對所有數(shù)據(jù)進(jìn)行類別判別，得到最終的圖像分割結(jié)果。實驗結(jié)果表明，該算法相對于Nystrom譜聚類算法和k-means采樣Nystrom譜聚類算法