本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，具體涉及一種基于K-均值聚類的圖像特征提取方法。

背景技術(shù)：

圖像的識別分類在所有應(yīng)用領(lǐng)域中的應(yīng)用最為直接,由于獲取的圖像數(shù)據(jù)內(nèi)容豐富，提取圖像的特征技術(shù)就變得非常關(guān)鍵,傳統(tǒng)的圖像特征提取主要包含光譜特征、紋理特征以及形狀特征。常用的光譜特征提取方法有主成分分析法、K-T變換、典型分析法以及基于遺傳算法的特征提取算法。主成分分析法是圖像中最常用的一種變換算法，是一種非常有效的特征提取算法，但是這種算法需要處理的數(shù)據(jù)非常大，因為圖像中包含大量的觀測數(shù)據(jù)，造成了計算復(fù)雜度大大增加。

鑒于上述缺陷，本發(fā)明創(chuàng)作者經(jīng)過長時間的研究和實踐終于獲得了本發(fā)明。

技術(shù)實現(xiàn)要素：

為解決上述技術(shù)缺陷，本發(fā)明采用的技術(shù)方案在于，提供一種基于K-均值聚類的圖像特征提取方法，該方法包括以下步驟：

步驟S1：采集圖像并對圖像進(jìn)行預(yù)處理，以及建立圖像數(shù)據(jù)庫；

步驟S2：利用K-均值聚類算法對圖像進(jìn)行聚類分析，將圖像數(shù)據(jù)庫分為K類；

步驟S3：利用主成分分析算法對分為K類的圖像數(shù)據(jù)庫中的分類圖像進(jìn)行處理，得到主成分分析圖像；

步驟S4：根據(jù)性能指標(biāo)估計主成分分析圖像，選取效果最好的圖像。

較佳的，述步驟S1具體包括：

步驟S11：通過圖像采集設(shè)備采集圖像；

步驟S12：對所獲取的圖像進(jìn)行尺寸大小歸一化；

步驟S13：建立圖像數(shù)據(jù)庫。

較佳的，所述步驟S2具體包括：

步驟S21：統(tǒng)計圖像數(shù)據(jù)庫中每一幅圖像的波段數(shù)和像素數(shù)，并將其表示為一個矩陣X；

步驟S22：根據(jù)主成分分析算法的需求輸入指定數(shù)目的聚類類數(shù)N；

步驟S23：在初始矩陣X中隨機(jī)選取N個對象作為初始聚類中心；

步驟S24：根據(jù)每個聚類的中心，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)對象進(jìn)行劃分，形成一類；

步驟S25：更新聚類中心，然后以每一類的平均向量作為新的聚類中心，重新分配數(shù)據(jù)對象；

步驟S26：反復(fù)迭代，直到滿足每個聚類不再發(fā)生變化為止。

較佳的，所述步驟S3具體包括：

步驟S31：選取新獲得的聚類中心作為新的輸入樣本；

步驟S32：利用高斯核函數(shù)和新輸入的樣本計算核矩陣K，核矩陣K的計算公式為：

式中，x_i,x_j為樣本向量，c表示輸入的樣本數(shù)量，表示對樣本向量的非線性變換，k(·)表示高斯核函數(shù)；

步驟S33：對核矩陣K進(jìn)行歸一化處理得到歸一化之后的核矩陣K′:

K′＝(K-A_cK-KA_c+A_cKA_c)_ij

式中，A_c是一個c×c矩陣，(A_c)_ij＝1/c；

步驟S34：分別計算歸一化之后的核矩陣K′的特征值和特征向量，并對特征向量進(jìn)行歸一化處理；

步驟S35：將特征值按照從大到小的順序進(jìn)行排列，選擇前r個非零的特征值對應(yīng)的特征向量α_i作為主分量；

步驟S36：將特征空間中所有的光譜向量映射到與第r個特征值對應(yīng)的特征向量V_r，映射公式為：

步驟S37：將所得向量恢復(fù)為圖像，得到第r幅主成分圖像，依次得到所有的主成分圖像。

較佳的，所述步驟S4具體包括：

步驟S41：分別計算各主成分?jǐn)?shù)據(jù)的方差，并對其標(biāo)準(zhǔn)化處理；

步驟S42：計算每一分量標(biāo)準(zhǔn)方差的比例；

步驟S43：根據(jù)得到的比例大小選擇出效果最好的圖像。

與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于K-均值聚類的圖像特征提取方法有如下好處：

(1)本發(fā)明將K-均值聚類算法應(yīng)用到圖像特征提取中，提高了圖像特征提取的性能，可有效地提取多光譜圖像中的非線性特征信息，同時也改善了圖像特征提取計算量大的缺點。

(2)結(jié)合傳統(tǒng)的主成分分析算法，引入了高斯核函數(shù)，使得主成分分析算法變得更加魯棒，在圖像的特征提取中具有更好的效果。

附圖說明

為了更清楚地說明本發(fā)明各實施例中的技術(shù)方案,下面將對實施例描述中所需要使用的附圖作簡單地介紹。

圖1為本發(fā)明的一種基于K-均值聚類的圖像特征提取方法的流程圖；

圖2為步驟S1的流程圖；

圖3為步驟S2的流程圖；

圖4為步驟S3的流程圖；

圖5為步驟S4的流程圖。

具體實施方式

以下結(jié)合附圖，對本發(fā)明上述的和另外的技術(shù)特征和優(yōu)點作更詳細(xì)的說明。

如圖1所示，為本發(fā)明的一種基于K-均值聚類的圖像特征提取方法的流程圖，該方法包括以下步驟：

步驟S1：采集圖像并對圖像進(jìn)行預(yù)處理，以及建立圖像數(shù)據(jù)庫。

如圖2所示，為步驟S1的流程圖，該步驟S1具體包括：

步驟S11：通過圖像采集設(shè)備采集圖像。

步驟S12：對所獲取的圖像進(jìn)行尺寸大小歸一化。

步驟S13：建立圖像數(shù)據(jù)庫。

步驟S2：利用K-均值聚類算法對圖像進(jìn)行聚類分析，將圖像數(shù)據(jù)庫分為K類。

如圖3所示，為步驟S2的流程圖，該步驟S2具體包括：

步驟S21：統(tǒng)計圖像數(shù)據(jù)庫中每一幅圖像的波段數(shù)和像素數(shù)，并將其表示為一個矩陣X。

步驟S22：根據(jù)主成分分析算法的需求輸入指定數(shù)目的聚類類數(shù)N。

步驟S23：在初始矩陣X中隨機(jī)選取N個對象作為初始聚類中心。

步驟S24：根據(jù)每個聚類的中心，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)對象進(jìn)行劃分，形成一類。

步驟S25：更新聚類中心，然后以每一類的平均向量作為新的聚類中心，重新分配數(shù)據(jù)對象。

步驟S26：反復(fù)迭代，直到滿足每個聚類不再發(fā)生變化為止。

步驟S3：利用主成分分析算法對分為K類的圖像數(shù)據(jù)庫中的分類圖像進(jìn)行處理，得到主成分分析圖像。

如圖4所示，為步驟S3的流程圖，該步驟S3具體包括：

步驟S31：選取新獲得的聚類中心作為新的輸入樣本。

步驟S32：利用高斯核函數(shù)和新輸入的樣本計算核矩陣K，核矩陣K的計算公式為：

式中，x_i,x_j為樣本向量，c表示輸入的樣本數(shù)量，表示對樣本向量的非線性變換，k(·)表示高斯核函數(shù)。

步驟S33：對核矩陣K進(jìn)行歸一化處理得到歸一化之后的核矩陣K′:

K′＝(K-A_cK-KA_c+A_cKA_c)_ij

式中，A_c是一個c×c矩陣，(A_c)_ij＝1/c。

步驟S34：分別計算歸一化之后的核矩陣K′的特征值和特征向量，并對特征向量進(jìn)行歸一化處理。

步驟S35：將特征值按照從大到小的順序進(jìn)行排列，選擇前r個非零的特征值對應(yīng)的特征向量α_i作為主分量。

步驟S36：將特征空間中所有的光譜向量映射到與第r個特征值對應(yīng)的特征向量V_r，映射公式為：

步驟S37：將所得向量恢復(fù)為圖像，得到第r幅主成分圖像，依次得到所有的主成分圖像。

步驟S4：根據(jù)性能指標(biāo)估計主成分分析圖像，選取效果最好的圖像。

如圖5所示，為步驟S4的流程圖，該步驟S4具體包括：

步驟S41：分別計算各主成分?jǐn)?shù)據(jù)的方差，并對其標(biāo)準(zhǔn)化處理。

步驟S42：計算每一分量標(biāo)準(zhǔn)方差的比例。

步驟S43：根據(jù)得到的比例大小選擇出效果最好的圖像。

本發(fā)明提供的一種基于K-均值聚類的圖像特征提取方法有如下好處：

(1)本發(fā)明將K-均值聚類算法應(yīng)用到圖像特征提取中，提高了圖像特征提取的性能，可有效地提取多光譜圖像中的非線性特征信息，同時也改善了圖像特征提取計算量大的缺點。

(2)結(jié)合傳統(tǒng)的主成分分析算法，引入了高斯核函數(shù)，使得主成分分析算法變得更加魯棒，在圖像的特征提取中具有更好的效果。

以上所述僅為本發(fā)明的較佳實施例，對本發(fā)明而言僅僅是說明性的，而非限制性的。本專業(yè)技術(shù)人員理解，在本發(fā)明權(quán)利要求所限定的精神和范圍內(nèi)可對其進(jìn)行許多改變，修改，甚至等效，但都將落入本發(fā)明的保護(hù)范圍內(nèi)。