本发明是一种基于谱聚类的图像分割方法与系统,涉及聚类、机器学习和人工智能领域。特别涉及通过相关性将已经学习到的知识运用到图像分割中,并在此基础上构造性地改造谱聚类方法,从而达到快速精确地分割彩色图像的目的。
背景技术:
聚类是一种无监督学习方法,主要处理目标为无标记的数据。聚类的目的是按照数据点之间的内在联系,将其划分成若干类别,使得同一类别内数据点的相似性较大,而不同类别之间数据点的相似性较小。传统的聚类方法,如k-means方法、FCM方法和EM方法等,它们虽然理论思想简单易于实现,但却缺乏处理复杂数据结构的能力,当待处理样本空间为非凸时,方法往往容易陷入局部最优。谱聚类方法由于在实际应用领域中良好的表现,以及理论简单和易于实现等特点,引起了学术界越来越多的关注。
谱聚类的理论思想建立在谱图理论的基础之上,它是数据挖掘的一种有效方法,谱聚类方法通过把数据聚类的求解问题转化成图的划分问题进行求解,以此发现不同数据之间的内在联系,谱聚类方法尤其适用于数据集非凸的情况。目前,国内外应用较多谱聚类方法在对图像进行分割时都必须建立在图像的原始像素点上。这种分割基础决定了谱聚类方法在实际应用中的处理时间过于漫长,计方法复杂度过大。可能不适用于对图像的实时处理任务,而且灵活性和可扩展性非常低。
技术实现要素:
为了解决上述问题,本发明一种基于谱聚类的图像分割方法与系统,