24、基于亲和传播的对象特定图像示例挖掘方法

基于亲和传播的对象特定图像示例挖掘方法

在图像分析领域，如何高效地从大量图像数据中获取对象特定的图像示例是一个重要的研究问题。本文将介绍一种基于亲和传播的集成框架，用于解决这一问题，并展示相关的实验结果。

1. 亲和传播与图像分析基础

1.1 亲和传播概述

亲和传播是一种聚类方法，它将所有数据项视为潜在的示例，通过在以数据项为节点的网络边缘递归传输实值消息来进行聚类。在每次迭代中，消息的大小反映了一个节点对另一个节点作为其潜在示例的当前亲和度（或支持度）。经过多次迭代，会出现一组良好的示例和相应的聚类。该方法的输入是数据项之间的实值相似度集合，其中相似度 s(i, k) 表示数据点 k 作为数据点 i 的示例的适合程度。亲和传播不需要指定聚类的数量，并且可以通过调整 s(i, i) 的值（称为“偏好”）来进行偏置。

然而，亲和传播并非普遍高效的数据聚类方法。当所需的聚类数量 K 较小时，可以通过穷举法解决组合问题；更重要的是，亲和传播在数据项数量 N 上具有二次计算复杂度，这限制了其在大规模应用中的直接使用。

1.2 图像表示与特征提取

对于数据集中的每个图像，需要检测局部不变特征。常见的特征检测器包括 SIFT（尺度不变特征变换）和 SURF（加速稳健特征）等。本文使用特定方法提取选定数量（例如 40 个）的显著 SIFT 特征。每组选定的局部特征及其空间排列被视为一个语义视觉实体，可以用属性图 G 来表示。从一组图像中可以得到一组图 Γ = {Gl | l = 1, 2, …, N}。

1.3 成对图匹配

为了验证图像特征的一致性，需要进行成对图匹配（PGM），其目