改进的判别割及其在图像分割中的应用

？谱聚类算法能在任意形状的样本空间上聚类且收敛于全局最优解，但判别割(dcut)算法在计算正则化相似度矩阵及其特征向量时比较耗时,而基于子空间的dcut(sdcut)算法则不稳定，为此，提出基于主成分分析(pca)的dcut算法(pca-dcut)。pca-dcut算法采用pca算法计算相似度矩阵的前m个大的特征值对应的特征向量构造一个新的矩阵,然后采用构造的矩阵与相似度矩阵和拉普拉斯矩阵分别进行矩阵运算；接着通过计算获得一个m阶正则化相似度矩阵，并计算该矩阵的k个最大特征向量；最后使用构造的矩阵与这k个特征向量相乘获得最终用于分类的特征向量。pca-dcut算法能降低dcut算法的计算复杂度。通过对人工合成数据集、uci数据集和真实图像的仿真实验表明，pca-dcut算法的聚类准确率与dcut等谱聚类算法相当，同时在分割图像时的运算速度约为dcut的5.4倍，并具有比sdcut更快的速度和更好的性能。