基于频繁项集的图像特征抽取与聚类研究

"这篇论文研究了具有聚类功能的边界检测技术，主要关注如何通过频繁项集挖掘来提升图像特征的表达能力。作者们注意到，传统纹理关联规则仅保留最大项的频繁项集可能导致信息丢失，因此他们提出了一种新的基于频繁项集的图像特征抽取方法。这种方法首先根据项集的频繁度和空间分布筛选候选频繁项集，然后通过评估每个频繁项集的空间表达能力来构建特征集。在遥感图像的仿真测试中，由于期望最大化(EM)算法对初始设置敏感，他们采用了比较不同聚类数目下的对数似然值来确定最佳聚类结果。实验结果证实，所提方法能有效地表达图像特征，特别是在图像分类、分割和内容检索等领域有应用价值。论文还引用了其他研究，如翟俊海等人对图像特征提取的综述，冯静等人关于高光谱遥感图像特征提取的算法，以及詹小四等人提出的基于纹理特征的指纹图像分割算法。" 在图像分析中，频繁项集的挖掘是关联规则的核心，它用于发现数据中的项集间关联，通过寻找满足最小支持度的项集来产生关联规则。在图像处理中，这种关联规则挖掘可以揭示相邻像素点之间的内在联系，特别是在纹理分析中。论文中提到的方法通过构造n×n的滑动窗口，将根像素与相邻像素构建事务项，形成事务数据集。接着，通过对这些事务数据进行挖掘，找出频繁项集，并基于它们的表达能力和空间分布来构建图像特征集。 为了优化聚类效果，论文采用了对同一特征集指定不同聚类数目的策略。通过比较不同聚类设置下EM算法的对数似然值，可以找到最优的聚类划分，这有助于提高聚类的稳定性和准确性。实验表明，这种基于频繁项集的特征抽取方法对于图像特征的表示和分析具有显著优势，尤其是在遥感图像的应用中。 这篇论文贡献了一种新的图像分析技术，它结合了频繁项集挖掘和聚类方法，有效地提取和表达了图像特征，为后续的图像处理任务提供了更丰富和准确的信息。这一方法对于图像分析领域的研究者和实践者来说具有重要的参考价值。