基于快速谱聚类的图像分割算法

合集下载

基于聚类算法的图像分割研究

基于聚类算法的图像分割研究随着数字图像处理的快速发展，图像分割算法已经成为了研究领域中的重要内容。

图像分割是对数字图像中的像素进行划分，将图像分成若干个有意义的部分，这些部分之间可以很明显的区分开来，而且每一部分具备不同的语义信息。

在自动化图像分析和计算机视觉应用中，图像分割算法是其他图像算法的基础和前提，图像分割质量的高低直接关系到后续算法的行业效果。

因此，在图像分割算法研究领域中，通用性比较强的聚类算法成为了主要研究方向之一。

聚类算法是基于数据相似性的将数据对象分组的一种数据分析和抽象方法。

这些对象可以是空间三维坐标、文本信息、符号等任何类型的事物。

聚类算法的思想是将每个事物分别看作一个数据对象，通过各种算法的处理，将具有相似特性的对象合并成一个大的节点，从而形成分类结构。

聚类算法分为层次聚类和非层次聚类两类。

将聚类算法用于图像分割就是将图像中的像素通过聚类算法进行聚类，使得每个簇内的像素具有相似的颜色、纹理和灰度等特性，而不同簇的像素特性不同。

聚类算法对于实际应用具有很大的价值，因为它是一种无监督学习模式，可以在没有标记的情况下对数据进行处理。

同时，聚类算法在图像分割中可以更好地将图像分割成有意义的部分，从而为图像分类和图像识别提供了支持。

在聚类算法中，KMeans算法是最常见的一种算法，也是应用最广泛的一种算法。

KMeans算法的基本思想是将数据中心点分成K个类别，其中K值是由用户事先指定的，然后通过不断的迭代运算来分割数据集。

KMeans算法的效率高，准确性较高，而且在图像分割中，它具有较好的应用效果。

KMeans算法的主要步骤分成三个步骤，分别是初始化K值、更新簇心和更新聚类分配。

图像分割基于KMeans算法的步骤主要是：首先将图像像素进行采样，将采样到的像素值作为数据集。

然后，定义K个初始聚类簇中心，通过迭代过程来更新聚类簇心和聚类分配。

对于每个像素，计算它们和聚类簇心的距离（通常是像素之间的欧几里得距离），将它们分配到最接近的簇中心。

基于聚类的图像分割算法研究

基于聚类的图像分割算法研究一、本文概述随着信息技术的飞速发展和图像数据的日益增多，图像分割作为计算机视觉和图像处理领域的核心问题之一，其研究价值和实际应用需求日益凸显。

图像分割旨在将一幅图像划分为若干个具有相似性质（如颜色、纹理、形状等）的像素集合，以揭示图像中的不同对象或区域。

在众多图像分割算法中，基于聚类的图像分割算法因其能够有效地利用图像像素间的相似性进行区域划分，而受到广泛关注。

本文旨在深入研究和探讨基于聚类的图像分割算法的原理、方法、技术及其发展趋势。

文章首先概述了图像分割的基本概念和重要性，分析了传统图像分割方法存在的问题和挑战。

随后，重点介绍了基于聚类的图像分割算法的基本原理和常用方法，包括K-means聚类、模糊C-means聚类、谱聚类等，并对各种方法的优缺点进行了比较和分析。

在此基础上，本文进一步探讨了基于聚类的图像分割算法在实际应用中的问题和挑战，如噪声干扰、计算效率、分割精度等，并提出了相应的解决方案和改进策略。

本文还介绍了基于聚类的图像分割算法在医学图像分析、遥感图像处理、视频监控等领域的应用案例和实际效果。

本文总结了基于聚类的图像分割算法的研究现状和发展趋势，展望了未来研究方向和应用前景。

本文旨在为相关领域的研究人员和技术人员提供有价值的参考和启示，推动基于聚类的图像分割算法在理论和实践上的进一步发展。

二、聚类算法概述聚类分析是一种无监督的机器学习方法，其目标是将数据集中的对象划分为若干个组或类别，使得同一类别内的对象尽可能相似，而不同类别之间的对象尽可能不同。

在图像分割领域，聚类算法被广泛应用于从像素级别到区域级别的分割任务中。

聚类算法的核心思想在于定义一种度量标准来衡量数据点之间的相似性，并根据这种相似性将数据点划分为不同的群组。

常见的聚类算法包括K-means算法、层次聚类算法、DBSCAN算法、谱聚类算法等。

K-means算法是最经典的聚类算法之一，它通过迭代优化的方式将数据点划分为K个类别，使得每个数据点到其所属类别中心的距离之和最小。

基于快速谱聚类的图像分割算法

基于快速谱聚类的图像分割算法
李纯;卢志茂;杨朋
【期刊名称】《应用科技》
【年(卷),期】2012(039)002
【摘要】设计了一种基于快速谱聚类的图像分割算法,该算法利用余弦相似度构造相似度矩阵,避免了传统谱聚类算法中尺度因子的精确设置问题,提高了算法效率.在谱映射的过程中,该算法采用了Nystr(o)m逼近策略,降低了谱聚类算法的复杂度和内存消耗.在Berkeley图像库上的图像分割实验证明了算法的有效性.
【总页数】5页(P26-30)
【作者】李纯;卢志茂;杨朋
【作者单位】哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨 150001;中国人民解放军91685部队,海南陵水 572424;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨 150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨 150001【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于误差采样的Nystr(o)m谱聚类图像分割算法研究 [J], 刘仲民;李博皓;李战明;胡文瑾
2.基于半监督的超像素谱聚类彩色图像分割算法 [J], 刘汉强;赵静
3.一种快速谱聚类医学图像分割算法 [J], 褚徐涛;王亚楠;梁木玲
4.基于谱聚类与多信息特征融合的图像分割算法 [J], 赵希; 于双元
5.一种快速谱聚类医学图像分割算法 [J], 褚徐涛;王亚楠;梁木玲
因版权原因，仅展示原文概要，查看原文内容请购买。

基于聚类算法的图像分割技术研究

基于聚类算法的图像分割技术研究随着人工智能技术的发展和普及，图像处理技术也逐渐成为越来越热门的话题，图像分割技术是其中不可或缺的一环。

基于聚类算法的图像分割技术是目前应用最广泛、效果最好的一种算法之一，本文就聚焦于这一技术进行探讨。

一、图像分割技术简介图像分割技术指将一幅图像分成若干个不相交的区域，每个区域内具有相同或类似的特征。

图像分割是图像处理的一项重要任务，不同于其他图像处理技术的是，分割技术能够直接针对数据特征进行处理，并且所得到的分割结果非常直观，符合人们的观察习惯。

图像分割技术应用领域广泛，如医学图像、工业图像、地质图像、遥感图像等都需要分割技术，因为分割结果是后续图像处理的前提和基础。

二、基于聚类算法的图像分割技术聚类算法是一种数据分析和过程控制的技术，其核心思想是将一组数据按照相似程度划分为不同的组。

而基于聚类算法的图像分割技术则是利用聚类算法将图像中的像素点分成若干个类别，从而实现图像分割的目的。

聚类算法常用的方法有k均值算法、层次聚类算法和密度聚类算法等。

在图像分割中，k均值算法应用较为广泛。

它的基本思想是按照欧几里得距离将图像像素点聚成k个簇，使得同一簇内的像素点之间距离较小，不同簇之间距离较大。

K-means算法的详细细节在此不做阐述，笔者将聚焦于其在图像分割中的应用。

图像分割算法一般可分为两大类：基于全局信息和基于局部信息的分割。

基于全局信息的分割方法将所有像素看作一个集合，聚类算法作用于所有的像素。

基于局部信息的分割方法则在选定一些具有代表性的区域用聚类算法分割，然后将所有像素点分到这些区域中。

两种方法分别有利弊，应根据实际场景而定。

三、基于聚类算法的图像分割技术的优缺点基于聚类算法的图像分割技术是目前应用最广泛、效果最好的一种算法之一。

其优点主要体现在以下几点：1. 聚类算法具有很好的可扩展性，可以分析大规模的数据集。

2. 聚类算法不需要任何先验知识或假设条件，而是直接从数据中学习规律，因此具有一定的自适应性。

基于谱聚类的图像分割技术研究

基于谱聚类的图像分割技术探究摘要：本文针对传统的图像分割方法难以处理高维数据、不确定性较大等问题，提出了一种基于谱聚类的图像分割方法。

该方法将图像转化为图论中的图，对图进行拉普拉斯矩阵的计算和谱分解，利用聚类算法对图像进行分割。

为了提高方法的好用性和效率，本文接受了一些优化策略，包括特征选择、高斯核函数、K均值聚类等。

最后，通过大量试验验证了该方法的有效性和优越性。

关键词：图像分割、谱聚类、拉普拉斯矩阵、K均值聚类、高斯核函数1. 引言图像分割是图像处理中的基本问题之一，其目标是将一个图像分成若干个互不重叠的区域，每个区域具有一定的语义或特征，从而便于对图像进行进一步的处理和分析。

图像分割是浩繁计算机视觉和图形学领域的关键性问题。

传统的图像分割方法主要包括基于阈值的分割、边缘检测、区域生长等。

然而，这些方法存在一些局限性。

例如，基于阈值的分割方法需要手动设置阈值，且不易适应复杂背景和光照变化等因素。

而边缘检测方法容易受到图像噪声和形态复杂度的影响，导致分割结果不稳定。

区域生长方法需要选择种子点和生长准则，且不易适应大标准图像的分割等问题。

为了解决以上问题，近年来，谱聚类方法被引入到图像分割领域，并取得了较好的效果。

谱聚类是一种基于图理论的聚类方法，其核心思想是将数据转转化为图，通过拉普拉斯矩阵和谱分解来进行聚类。

谱聚类方法具有一定的鲁棒性和不确定性处理能力，能够适应高维数据和复杂场景下的分割需求。

本文主要探究基于谱聚类的图像分割方法，对算法的主要流程和关键技术进行详尽的阐述，包括图像的表示、拉普拉斯矩阵的计算、谱分解、聚类等步骤。

同时，为了提高算法的好用性，本文针对谱聚类算法的不足之处，提出了一系列的优化策略，包括特征选择、高斯核函数、K均值聚类等。

最后，通过试验和对比分析，验证了该方法的有效性和优越性。

2. 相关工作图像分割探究已有多年，其方法和理论不息进步并得到了广泛应用。

本节主要介绍几种经典的图像分割方法以及近年来基于谱聚类的图像分割方法。

一种快速谱聚类医学图像分割算法

量扩展而得。利用这一特性，可以通过降低图像的拉普拉斯矩阵维度来提高谱聚类图像分割算法的效率，
实现快速谱聚类图像分割算法（ＦＳＣＧＳ：ＦａｓｔＳｐｅｃｔｒａｌ
ＣｌｕｓｔｅｒｉｎｇｆｏｒＧｒａｐｈＳｅｇｍｅｎｔａｔｉｏｎ）。
文章编号：１ｏ０７ — １４２３（２Ｏ１７）２３ — ００４８ — ０３
一
ＤＯＩ：１０．３９６９／ｊ．ｉＳＳＦＩ．１００７ — １４２３．２０１７．２３．Ｏ１１
种快速谱聚类医学图像分割算法
图形图像
．，
址Ｊｆ，ｌＪｆｔＪ』ｋ个蚌ｌｉ，ｊｕ１．１ｊＴ．够近似为：
‘
：
ｌｉ＇＝
，ｌ） ∑
（３）
（ｆ、１）
』－ｌｉ，Ｖ但ｉ
，
…ｉｔ， ∑址甜
快速谱聚类图像分割算法（ＦＳＣＧＳ：ＦａｓｔＳｐｅｃｔｒａｌ
ＣｌｕｓｔｅｒｉｎｇｆｏｒＧｒａｐｈＳｅｇｍｅｎｔａｔｉｏｎ）。
据对象，构造一个全像素连接的相似矩阵。即：对于一
，
（２ｊ
；－－＇．ｌｉｔ＼
＝（１＋）ｆ／，以慨／，随￣Ｊｔ－ｌｆｌｌＪ－ｌｋ』，Ｉ，Ｊ・个

基于快速mean-shift聚类与标记分水岭的图像分割方法

Ｆｉｒｓｔ，ｉｔｕｓｅｓｆａｓｔｍｅａｎ — ｓｈｉｈｃｌｕｓｔｅｉｎｒｇｔｏｐｒｅ — ｐｒｏｃｅｓｓｔｈｅｏｉｇｒｉｎｌａｉｍａｇｅａｎｄｄｅｔｅｒｍｉｎｅｔｈｅｓｅｇｍｅｎｔａｔｉｏｎａｒｅａｓａｎｄｔｈｅｎｕｍｂｅｒｏｆｃｌｕｓｔｅｒｓ；ｔｈｅｎｉｔｅｍｐｌｏｙｓｓｏｂｅｌｏｐｅｒａｔｏｒｔｏｃａｌＴｙｏｕｔｇｒａｄｉｅｎｔｐｒｏｃｅｓｓｉｎｇｆｏｌｌｏｗｅｄｂｙｍｏｒｐｈｏｌｏｇｉｃａｌｏｐｅｒａｔｉｏｎｏｎｔｈｅｐｒｏｃｅｓｓｅｄｉｍａｇｅ，ｉｔａｌｓｏｄｉｓｔｉｂｒｕｔｅｓ
ｄｉｆｅｒｅｎｔｍａｒｋｓｔｏｅａｃｈｗａｔｅｒｂａｓｉｎ，ａｎｄａｃｃｅｓｓｅｓｅｖｅｒｙｐｉｘｅｌｉｎａｓｃｅｎｄｉｎｇｏｒｄｅｒ，ａｎｄｉｆｎａｌｌｙｉｍｍｅｒｓｅｓｔｈｅｍｉｎｔｏｗａｔｅｒｂａｓｉｎｉｎｔｕｒｎｔｏｃｏｍ— ｐｌｅｔｅｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ．Ｅｘｐｅｉｒｍｅｎｔｌａｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃｏｕｌｄｅｆｅｃｔｉｖｅｌｙｓｅｇｍｅｎｔｍｅｄｉｃａｌｉｍａｇｅｓ，ａｎｄｃｏｕｌｄａｌｓｏ

谱聚类算法在图像分割中的应用研究

谱聚类算法在图像分割中的应用研究图像分割是计算机视觉领域中的一个重要研究方向，它的目的是将图像中的像素分成若干个具有一定意义的区域，这样可以为后续的图像识别、目标检测等任务提供更加准确的信息。

目前，图像分割算法有很多，其中一种比较有效的算法是谱聚类算法。

一、谱聚类算法的原理谱聚类是一种基于谱理论的算法，其主要思想是将图像中的像素看成图论中的节点，然后利用相邻节点之间的相似度作为边，建立成一个无向图。

接着，对这个无向图进行拉普拉斯矩阵变换，将其转化为一个度量矩阵，然后对这个度量矩阵进行特征分解和聚类，此时就可以实现对图像的分割。

谱聚类的基本流程如下图所示。

二、谱聚类算法在图像分割中的应用谱聚类算法可以用于图像分割的原因在于它能够自动地发现图像中的聚类结构。

在谱聚类中，图像的像素被看作是图的节点，节点之间的相似度通过欧氏距离或其他相似度度量方法计算得出。

然后，通过构建拉普拉斯矩阵，将原始图像转化为一个新的空间，使得相互之间相似的像素点在新的空间中距离越近。

最后，应用聚类算法将新的空间中的节点进行分类。

谱聚类算法在图像分割中的应用具有以下优点：1.可扩展性好：谱聚类算法通常比传统的图像分割算法更具有可扩展性，可以应对大规模图像分割问题。

2.精度高：谱聚类算法在分割小区域时精度较高。

3.适用性强：谱聚类算法通常不需要预先设定聚类的数量，而是利用自适应性的聚类方法来自动地进行聚类，从而适用于不同的图像分割问题。

三、谱聚类算法在图像分割中的应用案例谱聚类算法在图像分割中的应用有很多，以下是几个经典的应用案例。

1、医学图像分割医学图像是用来辅助医生诊断疾病的重要工具，因此准确的医学图像分割具有重要的意义。

谱聚类算法在医学图像分割中的应用方法是：将医学图像中的像素看作是节点，通过计算相邻节点之间的相似度建立成一个无向图，然后通过拉普拉斯矩阵变换和特征值分解将这个无向图映射到低维空间中，最后利用聚类算法将映射到低维空间中的节点进行分类。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

杂度ｆＯｎ）ｆ（＇其中为图像像素数，像素特征维数）ｊ；（劝．而对权矩阵进行特征值分解的计算复杂度更是高达Ｏｎ）］（［５，如此高昂的计算代价和存储需求严重限制了谱聚类在图像分割中的应用．传统谱聚类要求对相２）似度图的参数精确设置，常见的相似度图是全联通图，
谱聚类对样本的空间结构不做强的假设，且算法不会陷入局部最优【，是解决非凸样本集聚类问题的４］
收稿日期：２１一ｌ３０１ｌ一．０
基金项目：国家自然科学基金资助项目（０７０２．６９５４）作者简介：李纯（９４）１８一，男，硕士研究生，主要研究方向：模式识别Ｅｍａｌｉｕ５３＠１３ｃｍ．－ｉｃｎ４１６．：ｌｈｏ
第２期
李纯，：于快速谱聚类的图像分割算法等基
‘７‘ ２
存储需求大的问题．ｅｅｙ在Ｂｒｌ图像库上的图像分ｋｅ
割实验证明了算法的有效性．
图像像素点间的权矩阵．２１基于余弦相似度的权矩阵．设给定的图像包含的像素数为ｎ，每个像素由ｄ个特征进行描述，则该图像可描述为Ａ∈ ，由给Ｒ定的样本集Ａ构造赋权图Ｇ，Ｅ，，这里
第３９卷第２期
２１０２年２月
应
用
科
技
Ｖ１９Ｎｏ２ｏ．，．３
Ａｐｒ２２．０１
ＡｐｌｄＳｉｎｅａｄＴｃｎｌｇｐｉｃｅｃｎｅｈｏｏｙｅ
ｄｉ０３６８ｉｎ１０ —７Ｘ．０１１０ｏ：．９．ｓ．９６１２１１０６１９ｓ０
Ｉａｅｓｇｅｔｔｏｓｄｏａｔｓｅｔａｌｓｅｉｇａｇｒｔｍｇｅｍｎａｉｎｂａｅｎｆｓｐｃｒｌｕｔｒｎｌｏｉｈｍｃ
ＬＩｕｌＣｈｎ，ＬＵｉａＹＡＮＧｅｇ一Ｚｈｍｏ，Ｐｎ
Ａ＝ａａ…．ｎ其中ａ ∈ ≤ｆ２相似度采［１２，］，ａ，ｆＲ，ｌ ≤，，用余弦相似度，则图像的权矩阵＝［
矩阵，其中：
∞ ａｊ ‘
为相似度
聚类，由ＭＳ算法对图像进行粗划分，得到数量较多的较纯的子类，然后由Ｎｕ￣法对这些子类进行再聚类ｃｔ合并；文献［］出对图像的像素点采样，并由１提１
ｓｅｔａｌｓｅｉｌｏｔｍｖｉｅ，ｎｅｅｉｉｎｙｏｅａｇｒｔｍｓｉｒｖｄＴｏｅｃｅｔｐｌｅａｇｒｈｐｃｌｕｔｒａｇｒｈｉａｏｄｄａｄｔｆｃｅｃｆｔｌｏｈｉｒｃｎｇｉｓｈｈｉｍｐｏｅ．ｆｉｎｌａｐｙｔｌｏｉｍｔｉｙｈｔｏｉｇｅｍｅｔｔｏＮｙｔｂａｐｏｉａｉｎｓａｅｙｉｅｅｃｕｓｆｓｅｔａｐｉｏｒｄｃｈｏｕａｏａｍｅｓｇｎａｉｎ，ｓｍｐｒｘｒｍｔｔｔｇｓｕｓｄｉｔｏｅｏｐｃｒｌｍｐｎｇｔｅｕｅｔｅｃｍｐｔｔｎｏｒｎｈｒａｉ
果［．引
目前还没有比较系统的关于相似度图的研究，这种方法显然需要人工设置尺度因数据集存在多重尺度时，单一的尺度因子盯不能很好地捕捉数据的类别分布信息【针对上述问题，中设计了一个基于余弦相似度６］．文的快速谱算法，用于解决图像分割的计算复杂度高和
Ｎｙｔｍ方法通过采样像素集的权矩阵和采样像素集ｓ６ｒ与未采样像素集之间的权矩阵来获得原图像权矩阵的逼近矩阵，并由该近似权矩阵嗍特征向量来近似
数经一后￣ａｌ－此权可据归化，ｌＩａ１时值简，ｊ，ｌ＝
ＡｂｔａｔＡｎｉｇｅｍｅｔｔｎａｐｏｃａｅｎａｆｓｐｅｔａｌｓｅｉｇａｇｒｔｍｓｐｏｏｅ，ｉｗｈｃｏｉｅｓｒｃ：ｍａｅｓｇｎａｉｐｒａｈｂｓｄｏａｔｓｃｒｌｃｕｔｒｎｌｏｉｏｈｉｒｐｓｄｎｉｈｃｓｎ
像素之间的相似度由核函数给出，常见的是高斯核，最
Ｋｍａｓ－ｅｎ算法的这一缺点，谱聚类通过对样本集权矩阵的特征值分解提取特征向量，实现了数据从高维复杂结构到低维简单结构的谱映射，在新的样本空间得到原样本集的一个低维嵌入．到的低维嵌入在结构得分布上更为简单明显，可由简单聚类算法得到最终结
ｓｌｒｙｉｕｅｔｉｉｌｒｔｘＡｓｓｌｔｅｐｏｌｍｆｃｕａｅｙｓｔｇｔｅｓａｅｆｃｏｅｔｄｔｎｌｉａｉｓｓｄｔａｔｓａｉｍｒ．ｒｕｔｈｒｂｅｏｃｒｔｌｅｉｃｌａｔｒｉｔａｉｏａｍｉｔｏａｎｍｉｔａｉｙａｅ，ａｔｈｎｎｈｒｉ
由于图像数据为大规模数据，其权矩阵异常庞大，
来近似原权矩阵的特征向量；文献［］１通过对像素采３样，在得到的采样集上用谱算法，然后对未采样点依
照所定义的点到类的距离准则划分给由抽样集得到的
类．
直接计算和存储的计算消耗和存储需求很高，而直接对其进行特征值分解更进一步增加了算法的计算复杂度．为了降低计算复杂度，缓解存储需求，这里采用
一
＝！ｃ．Ｌ１Ｉ‘ Ｊ
：
Ｌ（Ｚ２）
式中： ∈ ＨＢ∈
为随机抽取的ｍ个像素的相似度矩阵；表示被抽取的ｍ像素与未被抽到的
的方法由于是在抽样集上运用谱算法，抽样集能否能
ｃｍｐｅｉｄｍｅｒｏｓｍｐｉｎＥｐｒｎａｓｌｎＢｅｋｌｇａａａｅｈｗｅａｉｉｆｅａｏｔｍ．ｏｌｔａｍｏｙｃｎｕｔ．ｘｅｉｔｌｅｕｔｏｒｅｅｉｅｄｔｂｏｔｌｔｏｔｌｒｈｘｙｎｏｍｅｒｓｙｍａｓｓｈｖｄｙｈｇｉＫｅｗｏｄ：ｍａｅｓｇｎａｏ；ｐｃｒｌｌｓｅｎ；ｏｉｅｓｌｒ；ｓ６ａｐｏｉｔｎｙｒｓｉｇｅｍｅｔｔｎｓｅｔｕｔｒｇｃｓｍｉｉＮｙｔｍｐｒｘｍａｉｉａｃｉｎｉａｔｙｒｏ
，
１ＣｏｌｇｆｎｏｍａｉｎａｄＣｏ．ｌｅｏＩｆｒｔｍｍｕｉａｉｎＥｎｉｅｒｇＨａｂｇｎｅｎｉｅｓｙＨａｂｎ１００，ｈｎｅｏｎｎｃｔｇｎｅｉ，ｒｉＥｎｉｅｆｇＵｎｖｒｉ，ｒｉ５０１Ｃｉａｏｎｎｉｔ２Ｎｏ９６５ＵｎｔｆＬＬｎｓｕ７４４Ｃｈｎ．．１８ｉｏＰＡ，ｉｇｈｉ２２，ｉａ５
速度较陕，但得到的分割倾向于大小相等的块，当实际图像中的对象所含像素数悬殊时，该算法得到的分割效果不理想，且该方法的分类块数和图像的类别数没有明显的对应关系，所以算法在参数设置时需要人
工多次设置；ｕｈｌＫｅｃｅ的方法中由于矩阵的特征向量不定是稳定的【Ｊ，所以它们缺乏理论保证；文献［３１１
１相关研究
为了将谱聚类应用到图像分割领域，降低计算复
杂度，减少算法的内存消耗，许多学者对谱聚类算法
的进行了研究和改进．文献［］８利用ＭＳ（ａｈＲ）ｍｅｎｓｉ算法［ｃｔＮｒａｚｄｕ）】ｕ（ｏｌｅｔ算法［］与Ｎｍｉｃ１０相结合的方式
样本集上才能得到较好的聚类结果，当样本空间结构非凸时，算法极易陷入局部最优【谱聚类弥补了２】．
较为有效的算法，将谱聚类用于图像分割通常能够取得较好的分割效果；然而，由谱聚类进行图像分割也
面临一些问题：１谱聚类算法需要计算像素点的权矩）阵的特征值分解问题．计算权矩阵需要计算所有像素点之间的，１距离，每个距离需要Ｄ（次运算；ｚ一）（个）因此，计算权矩阵嗍时间复杂度为Ｏｄｎ）（Ｚ，空间复
化为＝－『此时权矩阵表示为＝－，－
到．
＝Ａ．Ａ
由此，图像的权矩阵可由图像矩阵和其转置相乘得
２基于Ｎｓ６逼近的快速谱聚类算法．２ｙｔｍｒ
取代原权矩阵特征向量；ｅｃｅＫｕｈｌ提出对像素等】
的权矩阵的列向量进行采样，利用矩阵的奇异值分解来逼近原权矩阵，然后利用该近似权矩阵的特征向量
基于快速谱聚类的图像分割算法
李纯，，卢志茂－，杨朋
１尔滨工程大学信息与通信工程学院，黑龙江哈尔滨１００．哈５０１２国人民解放军９６５冲１８部队，海南陵水５２２７４４摘要：设计了一种基于快速谱聚类的图像分割算法，该算法利用余弦相似度构造相似度矩阵，避免了传统谱聚类算法