基于屬性關聯圖的圖像檢索與聚類研究.pdf

1、利用圖像的像素或低層特征構建的圖表示能夠描述圖像或其中物體的結構信息，對這種圖進行分析能夠挖掘圖像數據的結構特征，該特征具有抗旋轉、尺度縮放和平移等優(yōu)良的性質，可以用來識別圖像或圖像中的物體。近年來，基于圖的圖像建模方法及其應用受到了廣泛的關注。
　　 本文圍繞基于圖的圖像建模問題進行展開，在基于屬性關聯圖的基礎上，提出新的圖像去噪和圖像檢索方法，并對圖表示的圖像聚類問題進行了研究，提出更逼近全局解的聚類方法。具體工作如下:

2、r>　　 (1)針對圖像的椒鹽噪聲問題，提出了基于屬性關聯圖和有序加權平均(OWA)算子的圖像去噪算法。依據圖像噪聲的特點，首先利用屬性關聯圖對圖像進行表示，圖像像素對應圖的節(jié)點，邊的屬性表示像素與相鄰像素的差異度。根據噪聲像素與周圍像素差異性大的特點，將噪聲檢測問題轉化為搜索屬性關聯圖中具有最小點強度的節(jié)點問題，然后采用OWA算子對噪聲點周圍像素的值進行加權集成以濾除噪聲點。算法采取噪聲檢測和濾除交替進行的方式，實驗結果表明此方法不

3、僅能有效地濾除噪聲像素，而且能保持圖像的細節(jié)。
　　 (2)為了更有效地進行圖像檢索，將圖像的高層結構特征和低層屬性特征相結合，提出了基于屬性關聯圖的圖像表示和相似性度量方法。在區(qū)域鄰接圖的基礎上提出圖像的屬性關聯圖模型，利用圖像區(qū)域的多種特征作為節(jié)點屬性，并綜合顏色差異和節(jié)點的距離對邊進行合理賦權，實現了圖像的屬性關聯圖建模。提取圖中點強度最大的若干節(jié)點及其邊生成屬性關聯子圖，該子圖包含了圖像的顯著區(qū)域信息。定義兩幅圖像的屬性

4、關聯子圖的匹配矩陣，并運用基于譜方法的圖匹配方法得到圖節(jié)點的對應關系，在此基礎上，利用廣義有序加權平均(GOWA)算子得到兩幅圖像間的相似度。在不同的圖像數據庫中進行了實驗，實驗驗證了該方法的有效性。
　　 (3)為了有效的結合圖像的結構特征進行圖像聚類，一方面將圖像用屬性關聯圖表示，在此基礎上提取圖像的高維特征向量，該向量包含圖像的低層視覺特征和圖的譜特征。另一方面，為了避免K-means和EM因初始點選擇不當而陷入局部最小，

5、提出了兩種不同的K-means和EM初始化方法。第一種是基于密度峰值和最小生成樹的K-means和EM算法。該算法首先利用主成分分析將高維向量映射到PCA子空間，接著在PCA子空間內進行核密度估計，利用最小生成樹和圖連通分量算法找出數據點的密度峰值位置和團結構，根據數據點的類標簽求解原始高維空間中各個類的中心點，最后以這些中心點來初始化K-means和EM算法。實驗證明該方法能在較短的時間內比同類的方法更逼近K-means和EM的全局解