CN106682684A - 一种基于k均值聚类的目标识别方法 - Google Patents
一种基于k均值聚类的目标识别方法 Download PDFInfo
- Publication number
- CN106682684A CN106682684A CN201611037413.2A CN201611037413A CN106682684A CN 106682684 A CN106682684 A CN 106682684A CN 201611037413 A CN201611037413 A CN 201611037413A CN 106682684 A CN106682684 A CN 106682684A
- Authority
- CN
- China
- Prior art keywords
- cluster
- distance
- sample
- core
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于数字图像目标识别的优化方法技术领域,涉及一种基于K均值聚类的目标识别方法。本发明针对传统的海面目标识别算法中识别率不高,易受环境影响等问题,将原始图像的RGB颜色空间转换为HLS颜色空间,消除海面和天空背景颜色以及光线亮度对目标识别的影响,并通过蚁群算法逐步优化分类器的聚类中心,达到提高目标识别率,强化算法鲁棒性的目的。
Description
技术领域
本发明属于数字图像目标识别的优化方法技术领域,涉及一种基于K均值聚类的目标识别方法。
背景技术
我国目前重视海洋资源的开发,对海洋水面态势的监测及对海上目标的识别是高效开采海洋资源的有力保障。海上目标一般指海上舰船或漂浮物,对海上目标进行监测需要数字图像的目标识别技术。目标识别是指在数字图像中利用感兴趣的目标的特殊属性对目标进行识别,其属性包括形状、颜色、位置等。
图像目标识别步骤主要包括图像预处理、特征抽取、分类器设计、分类决策。预处理主要完成图像的增强和滤波处理;特征抽取将图像的测量空间原始数据通过变换转换为特征空间中最能反映分类本质的特征;分类器设计按照一定的规则通过分析和训练建立合理的样本库,对待识别样本进行正确分类;分类决策在特征空间中对待识别对象通过判别函数进行分类。
现有的图像图标识别方法应用于海面目标检测,易受环境影响,具有识别率不高的缺陷。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:针对传统的海面目标识别方法中识别率不高、易受环境影响等问题,提供一种基于K均值聚类的目标识别方法,提高海面目标识别率。
(二)技术方案
为了解决上述技术问题,本发明提供一种基于K均值聚类的目标识别方法,其包括以下步骤:
第一步:对第一幅图像进行RGB颜色空间向HSL颜色空间的转换;
第二步:在HSL颜色空间中,对样本在该空间中将三维坐标进行单位划分统计,根据单位空间的样本密度得到初始的几类聚类核的位置;
第三步:计算每个样本向量到各自聚类核的欧氏距离,并归入距离最近的聚类块中;
第四步:统计每个聚类区域内各个样本至聚类核的距离和,统计各个聚类核之间的距离;
第五步:重新调整聚类中心,将每个聚类核依次在HSL空间中移动相邻的六个方向各一个单位,重新计算,使每类样本与聚类核的距离减小,使聚类核的位置尽量靠近每个聚类空间的中心;
迭代第五步直至每类聚类区域内的距离和变化低于设定阈值;
第六步:对HSL颜色空间的不同坐标方向的距离进行加权,使本区域内的各个样本与聚类核的距离最小,使不同聚类核的距离最大;
迭代第六步直至上述两个指标达到阈值;
第七步:根据聚类区域可确定图像中不同于大海和蓝天的目标,根据其在原图像测量空间中的位置,确定目标的位置。
其中,第一步中,RGB颜色空间向HSL颜色空间转换的计算公式为:
其中,第二步中,大海为一个聚类核Ca[ha,sa,la],蓝天为一个聚类核Cb[hb,sb,lb],目标1形成一个聚类核Cc[hc,sc,lc],目标2形成一个聚类核Cd[hd,sd,ld]。
其中,第三步中,每个样本向量x1=[h1,s1,l1]到各自聚类核的欧氏距离的计算公式为:
||x1-Ci||=min||x1-Cj||=min[(h1-ha)2+(s1-sa)2+(l1-la)2]1/2,[(h1-hb)2+(s1-sb)2+(l1-lb)2]1/2,…,[(h1-hd)2+(s1-sd)2+(l1-ld)2]1/2。
其中,第六步中,本区域内各个样本与聚类核的距离最小的计算公式为:
||x1-Ci||=min||x1-Cj||=min[α(h1-ha)2+β(s1-sa)2+γ(l1-la)2]1/2。
其中,还包括:第八步:在后续的图像处理中,利用上幅图像的相关信息和参数作为先验知识,提高识别速度。
(三)有益效果
上述技术方案所提供的新型基于K均值聚类的目标识别方法,将原始图像的RGB颜色空间转换为HLS颜色空间,消除海面和天空背景颜色以及光线亮度对目标识别的影响,并逐步优化各点至分类器的聚类中心的加权欧氏距离,达到提高目标识别率、强化算法鲁棒性的目的。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合实施例,对本发明的具体实施方式作进一步详细描述。
颜色通常用3个相对独立的属性进行描述,3个独立的变量综合作用构成了一个空间坐标。图像识别的传统颜色空间为RGB空间,主要应用于显示器、电视机、投影仪等设备,该空间最接近人类主观的视觉感受,使用简单。但是由于RGB空间的各个颜色具有非线性相关性,且不易显示周围环境的影响,如光照、反射等,在复杂背景环境下不易进行颜色提取。故在图像预处理阶段,可对图像采用HLS颜色空间转换,该空间中H、L、S分别代表颜色的色调(Hue)、亮度(Lumen)和饱和度(Saturation),各坐标间可独立感知各颜色分量变化,可感知的颜色差与颜色分量的响应样值上的欧几里德距离成比例,利于后续的分类器设计。
在人的视觉中,色调、流明和饱和度是相互分离的,有这三个因素综合作用产生了客观世界的颜色,在RGB三维空间中,颜色是三维空间中的一个点(R,G,B),每个点都是由R,G,B三个分量组成的一个向量,每个向量都包含了颜色和亮度信息。
颜色数据rgb=(R2+G2+B2)1/2
表1 RGB源数据概况
均值 | 标准差 | 长度 | |
rgb | 296.1 | 69.2 | 100 |
R | 202.9 | 32.0 | 100 |
G | 161.9 | 47.8 | 100 |
B | 138.5 | 50.9 | 100 |
表2颜色与RGB的相关系数
相关系数 | rgb | R | G | B |
rgb | 1 | 0.954 | 0.979 | 0.979 |
HLS颜色空间为双锥形,其颜色相关程度弱于颜色与RGB的相关程度,其颜色值计算公式如下。
hsl=(H2+S2+L2)1/2
表1 HSL源数据概况
均值 | 标准差 | 长度 | |
hsl | 92.2 | 45.2 | 100 |
H | 24.3 | 12.1 | 100 |
S | 43.8 | 14.0 | 100 |
L | 66.9 | 15.9 | 100 |
表2颜色与RGB的相关系数
相关系数 | hsl | H | S | L |
hsl | 1 | 0.242 | 0.131 | 0.263 |
在海面目标识别算法中,由于大海和天空的蓝色分量非常显著,转换至HSL空间后有效的降低了颜色与三个通道的相关性,便于后续基于K均值聚类分析的分类器设计。
K均值聚类算法能够是聚类区域中素有样品到聚类中心的距离的平方和最小,其原理为先取K个初始距离中心,计算每个样本到这K个中心的距离,找出最小距离并把样本归入最近的聚类中心,修改中心点的值为本类所有样本的均值,再计算各个样本到K个中心的距离,重新归类,修改中心点,直到新的距离中心等于上一次的中心点结束。
传统的K均值聚类算法收敛速度慢,需要大量的样本库进行学习,图像序列在时间上的连续性没有充分利用,故在本专利中将蚁群算法引入至K均值聚类,加快了算法迭代的收敛速度。
蚁群算法是一种模仿蚁群行为的仿生优化算法,蚂蚁在运动时会在所经过的路径上释放“信息素”,前面的蚂蚁遇到路口是随机选择其中一条路径并释放相应的信息素,路径越长信息素越少,后面的蚂蚁来到相同的路口根据信息素的大小选择概率相对较大的路径,同时释放信息素,形成信息正反馈,最优路径上的信息素越来越大,最终整个蚁群会找到最佳路径。
基于上述分析,本实施例基于K均值聚类的目标识别方法包括以下步骤:
第一步:对第一幅图像进行RGB颜色空间向HSL颜色空间的转换;
转换公式为:
第二步:在HSL颜色空间中,对样本在该空间中将三维坐标进行单位划分统计,根据单位空间的样本密度得到初始的几类聚类核的位置,此时大海应为一个聚类核Ca[ha,sa,la],蓝天应为一个聚类核Cb[hb,sb,lb],目标1可形成一个聚类核Cc[hc,sc,lc],目标2可形成一个聚类核Cd[hd,sd,ld];
第三步:计算每个样本向量x1=[h1,s1,l1]到各自聚类核的欧氏距离,并归入距离最近的聚类块Ci中;
欧式距离的计算公式为:
||x1-Ci||=min||x1-Cj||=min[(h1-ha)2+(s1-sa)2+(l1-la)2]1/2,[(h1-hb)2+(s1-sb)2+(l1-lb)2]1/2…[(h1-hd)2+(s1-sd)2+(l1-ld)2]1/2
第四步:统计每个聚类区域内各个样本至聚类核的距离和,统计各个聚类核之间的距离。
第五步:重新调整聚类中心,将每个聚类核依次在HSL空间中移动相邻的六个方向各一个单位,重新计算,使每类样本与聚类核的距离减小,使聚类核的位置尽量靠近每个聚类空间的中心。
迭代第五步直至每类聚类区域内的距离和变化低于设定阈值。
第六步:对HSL颜色空间的不同坐标方向的距离进行加权,使本区域内的各个样本与聚类核的距离最小,使不同聚类核的距离最大,增加各聚类空间的识别度,提高识别率。
迭代第六步直至上述两个指标达到阈值。
各个样本与聚类核的距离最小的计算公式为:
||x1-Ci||=min||x1-Cj||=min[α(h1-ha)2+β(s1-sa)2+γ(l1-la)2]1/2
第七步:根据聚类区域可确定图像中不同于大海和蓝天的目标,根据其在原图像测量空间中的位置,确定目标的位置。
第八步:在后续的图像处理中,利用上幅图像的相关信息和参数作为先验知识,提高识别速度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于K均值聚类的目标识别方法,其特征在于,包括以下步骤:
第一步:对第一幅图像进行RGB颜色空间向HSL颜色空间的转换;
第二步:在HSL颜色空间中,对样本在该空间中将三维坐标进行单位划分统计,根据单位空间的样本密度得到初始的几类聚类核的位置;
第三步:计算每个样本向量到各自聚类核的欧氏距离,并归入距离最近的聚类块中;
第四步:统计每个聚类区域内各个样本至聚类核的距离和,统计各个聚类核之间的距离;
第五步:重新调整聚类中心,将每个聚类核依次在HSL空间中移动相邻的六个方向各一个单位,重新计算,使每类样本与聚类核的距离减小,使聚类核的位置尽量靠近每个聚类空间的中心;
迭代第五步直至每类聚类区域内的距离和变化低于设定阈值;
第六步:对HSL颜色空间的不同坐标方向的距离进行加权,使本区域内的各个样本与聚类核的距离最小,使不同聚类核的距离最大;
迭代第六步直至上述两个指标达到阈值;
第七步:根据聚类区域可确定图像中不同于大海和蓝天的目标,根据其在原图像测量空间中的位置,确定目标的位置。
2.如权利要求1所述的基于K均值聚类的目标识别方法,其特征在于,第一步中,RGB颜色空间向HSL颜色空间转换的计算公式为:
3.如权利要求2所述的基于K均值聚类的目标识别方法,其特征在于,第二步中,大海为一个聚类核Ca[ha,sa,la],蓝天为一个聚类核Cb[hb,sb,lb],目标1形成一个聚类核Cc[hc,sc,lc],目标2形成一个聚类核Cd[hd,sd,ld]。
4.如权利要求3所述的基于K均值聚类的目标识别方法,其特征在于,第三步中,每个样本向量x1=[h1,s1,l1]到各自聚类核的欧氏距离的计算公式为:
||x1-Ci||=min||x1-Cj||=min[(h1-ha)2+(s1-sa)2+(l1-la)2]1/2,[(h1-hb)2+(s1-sb)2+(l1-lb)2]1/2,…,[(h1-hd)2+(s1-sd)2+(l1-ld)2]1/2。
5.如权利要求4所述的基于K均值聚类的目标识别方法,其特征在于,第六步中,本区域内各个样本与聚类核的距离最小的计算公式为:
||x1-Ci||=min||x1-Cj||=min[α(h1-ha)2+β(s1-sa)2+γ(l1-la)2]1/2。
6.如权利要求1-5中任一项所述的基于K均值聚类的目标识别方法,其特征在于,还包括:第八步:在后续的图像处理中,利用上幅图像的相关信息和参数作为先验知识,提高识别速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611037413.2A CN106682684B (zh) | 2016-11-23 | 2016-11-23 | 一种基于k均值聚类的目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611037413.2A CN106682684B (zh) | 2016-11-23 | 2016-11-23 | 一种基于k均值聚类的目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682684A true CN106682684A (zh) | 2017-05-17 |
CN106682684B CN106682684B (zh) | 2020-12-01 |
Family
ID=58866525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611037413.2A Active CN106682684B (zh) | 2016-11-23 | 2016-11-23 | 一种基于k均值聚类的目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682684B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052983A (zh) * | 2017-12-28 | 2018-05-18 | 广州优视网络科技有限公司 | 应用聚类的方法、装置和设备 |
CN108133475A (zh) * | 2017-12-22 | 2018-06-08 | 西安烽火电子科技有限责任公司 | 一种局部聚焦模糊图像的检测方法 |
CN108562867A (zh) * | 2018-04-17 | 2018-09-21 | 北京邮电大学 | 一种基于聚类的指纹定位方法及装置 |
CN109063781A (zh) * | 2018-08-14 | 2018-12-21 | 浙江理工大学 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
CN109934296A (zh) * | 2019-03-18 | 2019-06-25 | 江苏科技大学 | 一种基于红外和可见光图像多环境下水面人员识别方法 |
CN110503656A (zh) * | 2019-08-28 | 2019-11-26 | 苏州大学 | 一种超像素分割方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8644565B2 (en) * | 2008-07-23 | 2014-02-04 | Indiana University Research And Technology Corp. | System and method for non-cooperative iris image acquisition |
CN104778281A (zh) * | 2015-05-06 | 2015-07-15 | 苏州搜客信息技术有限公司 | 一种基于社区分析的图像索引并行构建方法 |
CN105488538A (zh) * | 2015-12-15 | 2016-04-13 | 云南电网有限责任公司电力科学研究院 | 一种基于改进k均值聚类算法的天空图像云空辨识方法 |
-
2016
- 2016-11-23 CN CN201611037413.2A patent/CN106682684B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8644565B2 (en) * | 2008-07-23 | 2014-02-04 | Indiana University Research And Technology Corp. | System and method for non-cooperative iris image acquisition |
CN104778281A (zh) * | 2015-05-06 | 2015-07-15 | 苏州搜客信息技术有限公司 | 一种基于社区分析的图像索引并行构建方法 |
CN105488538A (zh) * | 2015-12-15 | 2016-04-13 | 云南电网有限责任公司电力科学研究院 | 一种基于改进k均值聚类算法的天空图像云空辨识方法 |
Non-Patent Citations (4)
Title |
---|
FATEN ABU SHMMALA ET AL: "Color Based Image Segmentation using Different version of k-means in two spaces", 《GLOBAL ADVANCED RESEARCH JOURNAL OF ENGINEERING, TECHNOLOGY AND INNOVATION》 * |
余胜威: "《MATLAB图像滤波去噪分析及其应用》", 30 September 2015, 北京航空航天大学出版社 * |
华志励等: "K均值聚类算法在海上目标识别中的应用", 《山东科学》 * |
谢娟英等: "基于样本空间分布密度的初始聚类中心优化k均值算法", 《计算机应用研究》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133475A (zh) * | 2017-12-22 | 2018-06-08 | 西安烽火电子科技有限责任公司 | 一种局部聚焦模糊图像的检测方法 |
CN108133475B (zh) * | 2017-12-22 | 2021-04-09 | 西安烽火电子科技有限责任公司 | 一种局部聚焦模糊图像的检测方法 |
CN108052983A (zh) * | 2017-12-28 | 2018-05-18 | 广州优视网络科技有限公司 | 应用聚类的方法、装置和设备 |
CN108562867A (zh) * | 2018-04-17 | 2018-09-21 | 北京邮电大学 | 一种基于聚类的指纹定位方法及装置 |
CN108562867B (zh) * | 2018-04-17 | 2020-10-13 | 北京邮电大学 | 一种基于聚类的指纹定位方法及装置 |
CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
CN109063781A (zh) * | 2018-08-14 | 2018-12-21 | 浙江理工大学 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
CN109063781B (zh) * | 2018-08-14 | 2021-12-03 | 浙江理工大学 | 一种仿自然色彩功能和形式的模糊意象织物设计方法 |
CN109934296A (zh) * | 2019-03-18 | 2019-06-25 | 江苏科技大学 | 一种基于红外和可见光图像多环境下水面人员识别方法 |
CN110503656A (zh) * | 2019-08-28 | 2019-11-26 | 苏州大学 | 一种超像素分割方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106682684B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682684A (zh) | 一种基于k均值聚类的目标识别方法 | |
CN112818862B (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与*** | |
CN100361451C (zh) | 基于内容的网络色情图像和不良图像检测*** | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN106056155A (zh) | 基于边界信息融合的超像素分割方法 | |
CN105678218B (zh) | 一种移动物体分类的方法 | |
CN109903331A (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
Sathya et al. | Classification and segmentation in satellite imagery using back propagation algorithm of ann and k-means algorithm | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
CN103996195A (zh) | 一种图像显著性检测方法 | |
CN105205804A (zh) | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 | |
CN107169417A (zh) | 基于多核增强和显著性融合的rgbd图像协同显著性检测方法 | |
CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN107292307A (zh) | 一种倒置汉字验证码自动识别方法及*** | |
CN103996185A (zh) | 一种基于注意力td-bu机制的图像分割方法 | |
CN105868683A (zh) | 台标识别方法及装置 | |
CN104574391A (zh) | 一种基于自适应特征窗口的立体视觉匹配方法 | |
CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN112819096A (zh) | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 | |
CN106355607A (zh) | 一种宽基线彩色图像模板匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |