專利名稱：一種數(shù)字圖像可視化組織展示的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息技術(shù)領(lǐng)域，具體涉及一種數(shù)字圖像可視化組織展示的方法。
背景技術(shù)：
目前對(duì)于圖像可視化的特征抽取方式，考慮細(xì)節(jié)和分布的方法通常需要很大的計(jì) 算量，而直方圖很容易就丟棄了圖像的空間信息，而簡單的分段計(jì)算的像素總量值也直接 忽略了計(jì)算時(shí)像素量值的分布特性。對(duì)于圖像可視化的組織方式，目前一般都基于預(yù)定義的類別，各個(gè)圖像歸檔到不 同的類別中，這樣的歸類相對(duì)生硬，對(duì)類別判定的閾值依賴性很大。

發(fā)明內(nèi)容
為了解決現(xiàn)有的圖像可視化方法計(jì)算量大的問題，本發(fā)明提供了一種數(shù)字圖像可 視化組織展示的方法。本發(fā)明的一種數(shù)字圖像可視化組織展示的方法，它包括以下步驟步驟一獲取G張未經(jīng)標(biāo)記的原始數(shù)字圖像Pk(m，n)，1彡k彡G ；步驟二 提取所述的每張?jiān)紨?shù)字圖像Pk(m，n)的原始特征量FSk(z)及其擴(kuò)展圖 像的擴(kuò)展特征量FEk(z)，獲取所述每張?jiān)紨?shù)字圖像Pk(m，n)的圖像特征量PFk = Fk(l)，所 述Fk(l)表示第k張?jiān)紨?shù)字圖像Pk(m，n)的原始特征量FSk(z)及擴(kuò)展特征量FEk(z)的合 并特征量，并用所獲取的圖像特征量PFk表示原始數(shù)字圖像Pk(m，n)，其中，z = 1,2,3..., 24；步驟三用p范數(shù)距離來度量第b張?jiān)紨?shù)字圖像與第g張?jiān)紨?shù)字圖像之間的
相似距離
，并建立全局
距離矩陣
，其中，A為所述
兩個(gè)圖像特征值PFb和PFg的距離計(jì)算權(quán)值，取ai為5的第1個(gè)維度量，5為48維度的特征 權(quán)向量；步驟四將G張?jiān)紨?shù)字圖像作為G張樣本，并從所述G張樣本中獲取每個(gè)樣本所 歸屬的聚類中心樣本
其中，a(k, f)為所述有效性矩陣Acxc 中的第k行元素，r (k，f)為所述反饋矩陣中的第k行元素；步驟五依據(jù)全局距離矩陣Dexe和所獲取的每個(gè)樣本所歸屬的聚類中心樣本fck獲取每個(gè)樣本的特征矢量E (k)，進(jìn)而從所有樣本中檢測偏遠(yuǎn)樣本；步驟六將G張樣本變換為G張縮小圖像，并生成所述每個(gè)縮小圖像的角度偏轉(zhuǎn)
λ
量卻，rand(*)為
上的隨機(jī)值，以所獲得的角度偏轉(zhuǎn)量Ap (k)調(diào)
整所述縮小圖像，并使所述縮小圖像在目標(biāo)展示空間中正對(duì)著用戶觀察面以特征矢量E(k) 展示，以完成數(shù)字圖像可視化組織展示。本發(fā)明的有益效果本發(fā)明提供了一種基于視覺感受的快速的自適應(yīng)圖像聚類進(jìn) 而實(shí)現(xiàn)可視化組織展示的方法，本發(fā)明在對(duì)圖片組織歸類時(shí)，將數(shù)字圖像轉(zhuǎn)化到HIS空間 進(jìn)行處理，使得圖像可視化更符合人類的視覺感知特性，在圖像可視化組織展示過程中，利 用圖像特征值表示圖像進(jìn)而排除偏遠(yuǎn)樣本，使得圖像可視化過程中的計(jì)算量小。


圖1是本發(fā)明的一種數(shù)字圖像可視化組織展示的方法的流程圖。
具體實(shí)施例方式具體實(shí)施方式
一根據(jù)說明書附圖1具體說明本實(shí)施方式，本實(shí)施方式所述的一 種數(shù)字圖像可視化組織展示的方法，它包括以下步驟步驟一獲取G張未經(jīng)標(biāo)記的原始數(shù)字圖像Pk(m，η)，1彡k彡G ；步驟二 提取所述的每張?jiān)紨?shù)字圖像Pk(m，η)的原始特征量FSk(Z)及其擴(kuò)展圖 像的擴(kuò)展特征量FEk (ζ)，獲取所述每張?jiān)紨?shù)字圖像Pk (m，η)的圖像特征量PFk = Fk(I)，所 述Fk(I)表示第k張?jiān)紨?shù)字圖像Pk (m，η)的原始特征量FSk (ζ)及擴(kuò)展特征量FEk (ζ)的合 并特征量，并用所獲取的圖像特征量PFk表示原始數(shù)字圖像Pk (m，n)，其中，ζ = 1,2,3..., 24；步驟三用ρ范數(shù)距離來度量第b張?jiān)紨?shù)字圖像與第g張?jiān)紨?shù)字圖像之間的
相似距離Z
，并建立全局
距離矩陣Dexe =
，其中，A為所述
兩個(gè)圖像特征值PFb和PFg的距離計(jì)算權(quán)值，取ai為5的第1個(gè)維度量，5為48維度的特征 權(quán)向量；步驟四將G張?jiān)紨?shù)字圖像作為G張樣本，并從所述G張樣本中獲取每個(gè)樣本所 歸屬的聚類中心樣本允=a^maxWt/) +小，/)}唭中，a(k, f)為所述有效性矩陣Acxc 中的第k行元素，r (k，f)為所述反饋矩陣Rexe中的第k行元素；步驟五依據(jù)全局距離矩陣Dexe和所獲取的每個(gè)樣本所歸屬的聚類中心樣本fck 獲取每個(gè)樣本的特征矢量E (k)，進(jìn)而從所有樣本中檢測偏遠(yuǎn)樣本；
步驟六將G張樣本變換為G張縮小圖像，并生成所述每個(gè)縮小圖像的角度偏轉(zhuǎn)
量卻
為
上的隨機(jī)值，以所獲得的角度偏轉(zhuǎn)量Ap(k)調(diào)
整所述縮小圖像，并使所述縮小圖像在目標(biāo)展示空間中正對(duì)著用戶觀察面以特征矢量E(k) 展示，以完成數(shù)字圖像可視化組織展示。
具體實(shí)施方式
二 本實(shí)施方式是對(duì)具體實(shí)施方式
一的進(jìn)一步說明，具體實(shí)施方式
一在步驟二中，提取所述的每張?jiān)紨?shù)字圖像Pk(m，n)的原始特征量FSk(z)的具體方法 為步驟二一一 將原始數(shù)字圖像Pk(m，n)以RGB顏色坐標(biāo)作為存儲(chǔ)，即Pk(m，n)= (PK，PG' PB)m,n，其中，1彡m彡Mk，1彡n彡Nk，該原始數(shù)字圖像的尺寸為MkXNk，Mk和Nk均大 于或等于1 ；步驟二一二 將原始數(shù)字圖像Pk(m，n) = (PE, PG, P丄,n在HIS空間表示為Pk(m， n) = (Im,n，Hm,n，Sm,n)，進(jìn)而計(jì)算該原始數(shù)字圖像Pk(m，n)在HIS空間的每個(gè)空間中的像素
概率直方圖
,mn, e = I，H，S，其中，S0 (qt)表示在
9空間中原始數(shù)字圖像Pk(m，n)的像素值為qt的像素個(gè)數(shù)
為在e空間中原
t
始數(shù)字圖像Pk(m，n)的所有像素個(gè)數(shù)；步驟二一三在HIS空間的每個(gè)空間中，根據(jù)原始數(shù)字圖像Pk(m，n)的所有像素 值qt組成的值域范圍，將該值域范圍平均劃分為8個(gè)區(qū)段，進(jìn)而獲取原始數(shù)字圖像Pk(m，
n)在每個(gè)空間的特征量孖
，并將獲取的原始數(shù)字圖像Pk(m，n)在I空間的特征量用H“w) 表示、在H空間的特征量用壓⑷表示，在S空間的特征量用仏⑷表示；步驟二一四根據(jù)所獲取的原始數(shù)字圖像Pk(m，n)在HIS空間的每個(gè)空間中的8 個(gè)特征量獲取原始數(shù)字圖像Pk(m，n)在HIS空間的24個(gè)原始特征量FSk(z)。
具體實(shí)施方式
三本實(shí)施方式是對(duì)具體實(shí)施方式
二的進(jìn)一步說明，具體實(shí)施方式
二中在步驟二一二中，將原始數(shù)字圖像Pk(m，n)=扎乂，？丄…在！^空間表示為？^!!!，!!) =(n，sffl,n)的具體方法為首先計(jì)算
進(jìn)而獲取Hm,n和Sm,n，當(dāng)PK = min (PE, PG，PB)時(shí)，則 Pb-PR 3(/_ 巧)
I當(dāng) PG = min (PE, PG，PB)時(shí)，則 當(dāng) PB = min (PE, PG, PB)時(shí)，則 最終完成將原始數(shù)字圖像Pk(m, n) = (PE, PG, PB)m,n在HIS空間表示為Pk(m, n)= (Im，n，Hm，n，Sm，n) o具體實(shí)施方式
四本實(shí)施方式是對(duì)具體實(shí)施方式
一、二或三的進(jìn)一步說明，具體實(shí) 施方式一、二或三中，在步驟二中，提取所述每張?jiān)紨?shù)字圖像Pk(m，n)的擴(kuò)展圖像的擴(kuò)展 特征量FEk(z)的具體方法為步驟:將原始數(shù)字圖像Pk(m，n)以RGB顏色坐標(biāo)作為存儲(chǔ)，即Pk(m，n)=
(PK，PG' PB)m,n，其中，1≤m≤Mk，1≤n≤Nk，原始數(shù)字圖像的尺寸為MkXNk，Mk和Nk均大于 或等于1，并將所述原始數(shù)字圖像Pk(m，n)擴(kuò)展為擴(kuò)展圖像Qk(u，v)， 步驟二二二 對(duì)所述原始數(shù)字圖像Pk(m，n)的擴(kuò)展圖像Qk(u，v)作平滑處理，獲得 所述擴(kuò)展圖像Qk(u，v)的平滑結(jié)果 步驟二二三獲取所述原始數(shù)字圖像Pk(m，n)的擴(kuò)展圖像Qk(u，v)的平滑結(jié)果
Yk(m, n)在HIS空間的每個(gè)空間中的像素概率直方圖
其中，S0〒s(q' t)表示在e空間中平滑結(jié)果Yk(m，n)的像素值為q' t的像素個(gè)數(shù)，
為在e空間中所述平滑結(jié)果Yk(m，n)的所有像素個(gè)數(shù)；
步驟二二四在HIS空間的每個(gè)空間中，根據(jù)所述平滑結(jié)果Yk(m，n)的所有像素值 q' ^且成的值域范圍，將所述所有像素值q' 值域范圍平均劃分為8個(gè)區(qū)段，進(jìn)而獲取 所述平滑結(jié)果Yk(m，η)在每個(gè)空間的特征量
的所述每一個(gè)平滑結(jié)果Yk(m，η)在I空間的特征量用Htsi(W)表示、在H空間的特征量用 H￥sh(w)表示，在S空間的特征量用H 平滑 s (w) ；步驟二二五根據(jù)步驟二二四所獲取的平滑結(jié)果Yk(m，η)在HIS空間的每個(gè)空間 中的8個(gè)特征量獲取原始數(shù)字圖像Pk(m，η)在HIS空間的24個(gè)擴(kuò)展特征量FEk(Z)。
具體實(shí)施方式
五本實(shí)施方式是對(duì)具體實(shí)施方式
一至四中任意一個(gè)實(shí)施方式的進(jìn) 一步說明，具體實(shí)施方式
一至四中在步驟四中，從所述G張樣本中獲取每個(gè)樣本所歸屬的
聚類中心樣本 步驟四
的具體方法為
獲取第b張?jiān)紨?shù)字圖像與第g張?jiān)紨?shù)字圖像
之間的相似性=，并建立全局相似矩陣
，其中，Sim(i, j)為所述全局相似矩陣Sexe中
Sim(GA) Sim(GA)……Sim(G,G)
第i行第j列的元素；步驟四二 建立反饋矩陣Rexe，并令所述反饋矩陣Rexe的所有元素r (i，j)的初始 值均為0 ；步驟四三建立有效性矩陣Aexe，并令所述有效性矩陣Aexe的所有元素a(i，j)的 初始值均為0 ；步驟四四對(duì)反饋矩陣Rexe和有效性矩陣Aexe進(jìn)行LT次迭代，進(jìn)而獲取LT次迭 代更新后的反饋矩陣Rexe和效性矩陣Aexe，所述每次迭代的具體過程為步驟四四一將建立的反饋矩陣Rexe中的所有元素r(i，j)更新為r(i. j)* = Xrtmp(i，j) + (l"A)rold(i, j)，其中，λ為更新系數(shù)，rold(i, j)為上一次迭代更新獲得的 atfflp(i, j')的初始值為0，然后執(zhí)行步驟四四二；步驟四四二將建立的有效性矩陣Aexe中的所有元素a(i，j)更新為a(i. j廣= 入 atmp (i, j) + (l"A) aold (i，j)，其中，a。ld (i，j)為上一次迭代更新獲得的 a (i，j)， 步驟四五根據(jù)所述的進(jìn)行LT次更新后的反饋矩陣和效性矩陣k哪獲得每 個(gè)樣本所歸屬的聚類中心樣本允=argmax{a(A:,/)+r(A,/)}。
具體實(shí)施方式
六本實(shí)施方式是對(duì)具體實(shí)施方式
一至五中任意一個(gè)實(shí)施方式的進(jìn) 一步說明，具體實(shí)施方式
一至五中在步驟五中，依據(jù)全局距離矩陣隊(duì)㈣和所獲取的每個(gè)樣 本所歸屬的聚類中心樣本fck獲取每個(gè)樣本的特征矢量E (k)，進(jìn)而從所有樣本中檢測偏遠(yuǎn) 樣本的具體方法為步驟五——將所述全局距離矩陣Dexe中各元素Dist(PFb，PFg)更新為
進(jìn)而獲取所述全局距離矩陣隊(duì)對(duì)的更新
矩陣 步驟五一二 利用多維尺度變換MDS算法，從所述全局距離矩陣隊(duì)㈣的更新矩陣 DAdex(;中提取出每個(gè)樣本在三維空間表示時(shí)的特征矢量E(k) = [xk, yk, zk]； 步驟五一三獲取所有樣本的數(shù)據(jù)中心瓦 步驟五一四獲取每個(gè)樣本與所述數(shù)據(jù)中心E。t的距離
dk ⑶=~ Ect (x))2 + {yk - Ect {yf + (zk - Ect (z))2，并獲取 dmed (3) = median (dk (3))；步驟五一五判斷dk(3)彡5*dmed(3)，如果是，則判定所述樣本為偏遠(yuǎn)樣本。本實(shí)施方式中，在可視化組織展示時(shí)，也可加入偏遠(yuǎn)樣本。
具體實(shí)施方式
七本實(shí)施方式是對(duì)具體實(shí)施方式
一至五中任意一個(gè)實(shí)施方式的進(jìn) 一步說明，具體實(shí)施方式
一至五中在步驟五中，依據(jù)全局距離矩陣隊(duì)㈣和所獲取的每個(gè)樣 本所歸屬的聚類中心樣本fck獲取每個(gè)樣本的特征矢量E (k)，進(jìn)而從所有樣本中檢測偏遠(yuǎn) 樣本的具體方法為步驟五二一將所述全局距離矩陣Dexe中各元素Dist (PFb，PFg)更新為
進(jìn)而獲取所述全局距離矩陣Dexe的更新 [Dist\PFb,PFg), fcb^fcg
矩陣 DAdexe ；步驟五二二 利用多維尺度變換MDS算法，從所述全局距離矩陣Dexe的更新矩陣 DAdexe中提取出每個(gè)樣本用二維空間表示時(shí)的特征矢量E (k) = [xk，yk]；步驟五二三獲取所有樣本的數(shù)據(jù)中心瓦,=腳,(廣’X2”"，XG) 步驟五二四獲取每個(gè)樣本與所述數(shù)據(jù)中心E。t的距離
，并獲取 dmed (2) = median (dk (2))；步驟五二五判斷dk(2)彡5*dmed(2)，如果是，則判定所述樣本為偏遠(yuǎn)樣本。本實(shí)施方式中，在可視化組織展示時(shí)，也可加入偏遠(yuǎn)樣本。
權(quán)利要求
一種數(shù)字圖像可視化組織展示的方法，其特征在于它包括以下步驟步驟一獲取G張未經(jīng)標(biāo)記的原始數(shù)字圖像Pk(m，n)，1≤k≤G；步驟二提取所述的每張?jiān)紨?shù)字圖像Pk(m，n)的原始特征量FSk(z)及其擴(kuò)展圖像的擴(kuò)展特征量FEk(z)，獲取所述每張?jiān)紨?shù)字圖像Pk(m，n)的圖像特征量PFk＝Fk(l)，所述Fk(l)表示第k張?jiān)紨?shù)字圖像Pk(m，n)的原始特征量FSk(z)及擴(kuò)展特征量FEk(z)的合并特征量，并用所獲取的圖像特征量PFk表示原始數(shù)字圖像Pk(m，n)，其中，z＝1，2，3...，24；步驟三用p范數(shù)距離來度量第b張?jiān)紨?shù)字圖像與第g張?jiān)紨?shù)字圖像之間的相似距離b＝1，2...G，g＝1，2...G，并建立全局距離矩陣，其中，al為所述兩個(gè)圖像特征值PFb和PFg的距離計(jì)算權(quán)值，取al為的第l個(gè)維度量，為48維度的特征權(quán)向量；步驟四將G張?jiān)紨?shù)字圖像作為G張樣本，并從所述G張樣本中獲取每個(gè)樣本所歸屬的聚類中心樣本其中，a(k，f)為所述有效性矩陣AG×G中的第k行元素，r(k，f)為所述反饋矩陣RG×G中的第k行元素；步驟五依據(jù)全局距離矩陣DG×G和所獲取的每個(gè)樣本所歸屬的聚類中心樣本fck獲取每個(gè)樣本的特征矢量E(k)，進(jìn)而從所有樣本中檢測偏遠(yuǎn)樣本；步驟六將G張樣本變換為G張縮小圖像，并生成所述每個(gè)縮小圖像的角度偏轉(zhuǎn)量rand(*)為
上的隨機(jī)值，以所獲得的角度偏轉(zhuǎn)量Ap(k)調(diào)整所述縮小圖像，并使所述縮小圖像在目標(biāo)展示空間中正對(duì)著用戶觀察面以特征矢量E(k)展示，以完成數(shù)字圖像可視化組織展示。FSA00000176816400011.tif,FSA00000176816400012.tif,FSA00000176816400013.tif,FSA00000176816400014.tif,FSA00000176816400015.tif,FSA00000176816400016.tif
2.根據(jù)權(quán)利要求1所述的一種數(shù)字圖像可視化組織展示的方法，其特征在于在步驟二 中，提取所述的每張?jiān)紨?shù)字圖像Pk(m，η)的原始特征量FSk(ζ)的具體方法為步驟二一一 將原始數(shù)字圖像Pk(m，n)以RGB顏色坐標(biāo)作為存儲(chǔ)，即Pk(m，n) = (PE,PG, PB)m,n，其中，1彡m彡Mk，1彡η彡Nk,該原始數(shù)字圖像的尺寸為MkXNk，Mk和Nk均大于或等 于1 ；步驟二一二 將原始數(shù)字圖像Pk(m，η)=扎，？^，？丄彳在！^空間表示為？^!!!，η)= (Iffl,n, Hm,η，Sm,η)，進(jìn)而計(jì)算該原始數(shù)字圖像Pk(m，η)在HIS空間的每個(gè)空間中的像素概率直 方圖 間中原始數(shù)字圖像Pk(m，η)的像素值為qt的像素個(gè)數(shù) 為在θ空間中原始數(shù)字圖像Pk(m，η)的所有像素個(gè)數(shù)；步驟二一三在HIS空間的每個(gè)空間中，根據(jù)原始數(shù)字圖像Pk(m，n)的所有像素值 組成的值域范圍，將該值域范圍平均劃分為8個(gè)區(qū)段，進(jìn)而獲取原始數(shù)字圖像Pk(m，n)在每個(gè)空間的特征量孖( dar = (qmax_qmin)/8，并將獲取的原始數(shù)字圖像Pk(m，η)在I空間的特征量用H1(W)表示、在 H空間的特征量用Hh(W)表示，在S空間的特征量用Hs(W)表示；步驟二一四根據(jù)所獲取的原始數(shù)字圖像Pk(m，η)在HIS空間的每個(gè)空間中的8個(gè)特 征量獲取原始數(shù)字圖像Pk(m，η)在HIS空間的24個(gè)原始特征量FSk(Z)。
3.根據(jù)權(quán)利要求2所述的一種數(shù)字圖像可視化組織展示的方法，其特征在于在步驟 二一二中，將原始數(shù)字圖像Pk (m，η)=扎乂，？丄…在！^空間表示為？^!!!，!!) = (Im,n，Hm, n，Sffl,n)的具體方法為首先計(jì)算1=\^R + PB+PG)m,進(jìn)而獲取Hm,n和Sm,n， 最終完成將原始數(shù)字圖像Pk(m，η) = (PK，Pe，PB)m,n在HIS空間表示為
4.根據(jù)權(quán)利要求1所述的一種數(shù)字圖像可視化組織展示的方法，其特征在于在步驟二 中，提取所述每張?jiān)紨?shù)字圖像Pk (m，η)的擴(kuò)展圖像的擴(kuò)展特征量FEk(Z)的具體方法為步驟二二一將原始數(shù)字圖像Pk(m，n)以RGB顏色坐標(biāo)作為存儲(chǔ)，即Pk(m，n) = (PE,PG, PB)m,n，其中，1彡m彡Mk，1彡η彡Nk，原始數(shù)字圖像的尺寸為MkXNk，Mk和Nk均大于或等于 1，并將所述原始數(shù)字圖像Pk(m，η)擴(kuò)展為擴(kuò)展圖像Qk(u，ν)， 步驟二二二 對(duì)所述原始數(shù)字圖像Pk(m，η)的擴(kuò)展圖像Qk(u，v)作平滑處理，獲得所述 擴(kuò)展圖像Qk(u，ν)的平滑結(jié)果 步驟二二三獲取所述原始數(shù)字圖像Pk(m，η)的擴(kuò)展圖像Qk(u，v)的平滑結(jié)果Yk(m，n)在HIS空間的每個(gè)空間中的像素概率直方圖 琪中，S 0平滑(q' t)表示在θ空間中平滑結(jié)果Yk(m，η)的像素值為q' t的像素個(gè)數(shù) 為在θ空間中所述平滑結(jié)果Yk(m，η)的所有像素個(gè)數(shù)；步驟二二四在HIS空間的每個(gè)空間中，根據(jù)所述平滑結(jié)果Yk(m，n)的所有像素值q' t 組成的值域范圍，將所述所有像素值q' t的值域范圍平均劃分為8個(gè)區(qū)段，進(jìn)而獲取所述 平滑結(jié)果Yk(m，η)在每個(gè)空間的特征量 q' min = min(q' t)，q' max = max(q' t)，d' ar = (q' max_q' min)/8，并將獲取的所 述每一個(gè)平滑結(jié)果Yk(m，η)在I空間的特征量用Htsi(W)表示、在H空間的特征量用Hts H⑷表示，在S空間的特征量用Htss(W)表示；步驟二二五根據(jù)步驟二二四所獲取的平滑結(jié)果Yk(m，η)在HIS空間的每個(gè)空間中的 8個(gè)特征量獲取原始數(shù)字圖像Pk(m，η)在HIS空間的24個(gè)擴(kuò)展特征量FEk(Z)。
5.根據(jù)權(quán)利要求1所述的一種數(shù)字圖像可視化組織展示的方法，其特征在于在步驟四中，從所述G張樣本中獲取每個(gè)樣本所歸屬的聚類中心樣本 的具體方法為步驟四一獲取第b張?jiān)紨?shù)字圖像與第g張?jiān)紨?shù)字圖像之間的相似性 并建立全局相似矩陣 ，其中，Sim(i，j)為所述全局相似矩陣Sexe 中第i行第j列的元素；步驟四二 建立反饋矩陣Rexe,并令所述反饋矩陣Rexe的所有元素r(i，j)的初始值均 為0;步驟四三建立有效性矩陣Aexe，并令所述有效性矩陣Aexe的所有元素a(i，j)的初始 值均為0 ；步驟四四對(duì)反饋矩陣Rexe和有效性矩陣Aexe進(jìn)行LT次迭代，進(jìn)而獲取LT次迭代更 新后的反饋矩陣Rexe和效性矩陣Aexe，所述每次迭代的具體過程為步驟四四一將建立的反饋矩陣Rexe中的所有元素r(i，j)更新為r(i. j)*= λ rtmp (i, j) + (l"A)rold(i, j)，其中，λ為更新系數(shù)，rold(i, j)為上一次迭代更新獲得 的初始值為 0，然后執(zhí)行 步驟四四二；步驟四四二將建立的有效性矩陣Aexe中的所有元素a(i，j)更新為a(i. j)* = λ atmp (i，j) + (1- λ ) aold (i，j)，其中，a。ld (i，j)為上一次迭代更新獲得的 a (i，j)， 步驟四五根據(jù)所述的進(jìn)行LT次更新后的反饋矩陣Rexe和效性矩陣Aexe獲得每個(gè)樣 本所歸屬的聚類中心樣本允
6.根據(jù)權(quán)利要求1所述的一種數(shù)字圖像可視化組織展示的方法，其特征在于在步驟五 中，依據(jù)全局距離矩陣Dexe和所獲取的每個(gè)樣本所歸屬的聚類中心樣本fck獲取每個(gè)樣本 的特征矢量E (k)，進(jìn)而從所有樣本中檢測偏遠(yuǎn)樣本的具體方法為步驟五——將所述全局距離矩陣Dexe中各元素Dist (PFb，PFg)更新為 進(jìn)而獲取所述全局距離矩陣Dexe的更新矩陣 DAdexe ；步驟五一二 利用多維尺度變換MDS算法，從所述全局距離矩陣Dexe的更新矩陣DAdexe 中提取出每個(gè)樣本在三維空間表示時(shí)的特征矢量E (k) = [xk, yk, zk]； 步驟五一三獲取所有樣本的數(shù)據(jù)中心 步驟五一四獲取每個(gè)樣本與所述數(shù)據(jù)中心E。t的距離 并獲取 步驟五一五判斷dk(3)彡5*dmed(3)，如果是，則判定所述樣本為偏遠(yuǎn)樣本。 7.根據(jù)權(quán)利要求1所述的一種數(shù)字圖像可視化組織展示的方法，其特征在于在步驟五 中，依據(jù)全局距離矩陣Dexe和所獲取的每個(gè)樣本所歸屬的聚類中心樣本fck獲取每個(gè)樣本 的特征矢量E (k)，進(jìn)而從所有樣本中檢測偏遠(yuǎn)樣本的具體方法為步驟五二一將所述全局距離矩陣Dexe中各元素Dist (PFb，PFg)更新為 ，進(jìn)而獲取所述全局距離矩陣Dexe的更新矩陣 DAdexe ；步驟五二二 利用多維尺度變換MDS算法，從所述全局距離矩陣Dexe的更新矩陣DAdexe 中提取出每個(gè)樣本用二維空間表示時(shí)的特征矢量E (k) = [xk，yk]；步驟五二三獲取所有樣本的數(shù)據(jù)中心圪=[^fwH1A""+ 步驟五二四獲取每個(gè)樣本與所述數(shù)據(jù)中心E。t的距離dk ⑵=4(Xk - Ecl W)2 + (Λ - Ect (γ))2 ,并獲取 dmed (2) = median (dk (2))；步驟五二五判斷dk(2)彡5*dmed(2)，如果是，則判定所述樣本為偏遠(yuǎn)樣本。
全文摘要
一種數(shù)字圖像可視化組織展示的方法，它涉及信息技術(shù)領(lǐng)域，它解決了現(xiàn)有的圖像可視化方法計(jì)算量大的問題。本發(fā)明首先提取由原圖像特征值和擴(kuò)展圖像特征值組成的圖像特征值；然后用圖像特征值代替圖像，進(jìn)而度量距離以完成對(duì)所有圖像樣本的聚類，并根據(jù)聚類結(jié)果在低維空間檢測偏遠(yuǎn)樣本；最后在圖像的組織上，將除偏遠(yuǎn)樣本外的圖像進(jìn)行統(tǒng)一組織可視化展示。本發(fā)明適用于圖像可視化。
文檔編號(hào)G06T11/00GK101887590SQ201010209558
公開日2010年11月17日 申請(qǐng)日期2010年6月25日 優(yōu)先權(quán)日2010年6月25日
發(fā)明者于達(dá)仁, 賀惠新 申請(qǐng)人:哈爾濱工業(yè)大學(xué)