基于圖的半監(jiān)督聚類是較為典型的半監(jiān)督學習方法,通常以無符號圖表征數(shù)據(jù),以非負權重衡量節(jié)點間相似性。真實復雜系統(tǒng)中,無符號圖難以區(qū)分無關和對立關系,而符號圖中負邊則可將對立關系顯式表達,為聚類提供更多有效信息,近來在一些領域,如圖像分割,取得了良好的效果。本文關注基于符號圖規(guī)范化割（Signed Normalized cut,SNcut）的半監(jiān)督聚類離散優(yōu)化及其在圖像分割上的應用,現(xiàn)有研究成果較少,且存在明顯不足。在圖像分割問題上,僅考慮了劃線交互形式,對于其它更弱的監(jiān)督形式,如何構建符號圖尚無解決方案。在模型優(yōu)化方面,主要采用譜方法,需在實域空間中求解離散的聚類問題,所得結(jié)果較為粗糙,且當圖的規(guī)模較大時,計算復雜度明顯增加。盡管有研究使用其它方法對個別SNcut目標的一階近似函數(shù)進行離散優(yōu)化求解,但其效果尚未得到進一步驗證。本文以圖像分割為實驗對象,討論了符號圖的構建與SNcut聚類目標的離散優(yōu)化方法,主要工作包括:（1）利用高斯混合模型構造符號圖,將符號圖聚類應用于box形式下的圖像分割。box監(jiān)督信息難以直接表達為成對約束,采用高斯混合模型將其轉(zhuǎn)換為成對約束,構造符號圖,利用譜方法... 

【文章來源】：湖南師范大學湖南省 211工程院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

劃線與box

7定性，國內(nèi)外研究學者至今還無法對圖像分割問題給出通用的解決方法，目前還沒有全自動的分割算法可以達到人工標注的效果，故圖像分割仍然是科研人員研究與探討的熱點。(a)(b)(c)圖1-4圖像分割應用舉例圖像分割是從圖像處理轉(zhuǎn)換到圖像分析、從而進一步理解圖像的基礎步驟，其質(zhì)量的好壞直接影響后續(xù)處理的結(jié)果�；趫D聚類的圖像分割方法近來十分流行，得到了廣泛研究�；趫D聚類的圖像分割方法可以十分自然地將圖像映射為圖，圖像的像素點與圖中節(jié)點有很好的對應關系，像素點間以邊相連，其相似性作為圖的邊權。將圖像映射為圖后，可利用圖的相關理論與數(shù)學性質(zhì)進行優(yōu)化求解。經(jīng)典圖聚類準則Ncut在圖像分割領域已有大量研究，一般首先將圖像映射為無符號圖，像素點間相似性以非負權重衡量，然后采用譜方法計算無符號圖Ncut的特征值與特征向量，最后對特征向量進行k-means聚類，得到最終圖像分割結(jié)果。Ncut雖一定程度上保證了類間劃分平衡性，但其圖像分割效果仍不太令人滿意。為提升圖像分割效果，Chew等[20]提出了SSNcut，將監(jiān)督信息表達為成對約束以更好地指導分割，同樣采用譜方法求解。圖像中目標與背景的像素種子點間存在明顯互斥關系，但在無符號圖聚類中，將像素點間的無關與互斥關系均賦以0權重，難以區(qū)分它們，且可能丟失部分有效聚類信息。若將圖像映射為符號圖，則目標與背景的像素種子點間互斥關系可用負邊顯示表達，為圖聚類提供更多信息�，F(xiàn)有研究[24,41]將滿足成對約束中ML的種子點間賦為正權重，滿足CL的種子點間賦為負權重，以此構造符號圖，然后采用譜方法求解SNcut。圖像分割中，MRF正則化子的應用十分普遍，如二階Potts模型可在分割時加強目標邊界對齊性。Tang等[40]提出了界優(yōu)化與圖割組合的核割算法，采用?

成對約束


本文編號：3106656