许晓丽

(安徽财经大学管理科学与工程学院，安徽 蚌埠 233030)

基于多代表点近邻传播的大数据图像分割算法

许晓丽

(安徽财经大学管理科学与工程学院，安徽 蚌埠 233030)

基于多代表点近邻传播聚类算法，提出一种有效的大数据图像的快速分割算法。该算法首先运用均值漂移算法将彩色图像分割成很多小的同质区域，然后计算每个区域中所有像素的颜色向量平均值，并用区域数目代替原图像像素点数目，选用区域间的距离作为相似度的测度指标，最后应用多代表点近邻传播聚类算法在区域相似度矩阵上进行二次聚类，得到最终的图像分割结果。实验结果证明，提出的算法在大数据图像的分割中取得了较为满意的分割效果，且分割效率较高。

多代表点近邻传播；大数据；图像分割

2007年，Frey等[1-2]提出近邻传播(affinity propagation，AP)聚类算法，该算法通过点与点之间的消息传递和迭代，收敛到稳定的类的划分。其优点在于：不需要事先给定类的个数，可以对各种数据进行聚类分析；利用簇的代表点对数据进行分组，对噪声点和离群点不敏感，聚类结果稳定，聚类效果更优。AP算法用于图像分割时，根据像素点间的相似度矩阵进行迭代更新运算，能够获得高质量的图像分割结果。然而AP算法也存在一些缺点，如计算复杂度较高，运行时需要调节参数p和λ才能得到想要的类别数。针对这些不足，很多学者进行了研究，提出了自适应 AP[3]，软约束 AP[4]，半监督AP[5]，KAP[6]，层次AP(HAP)[7]，多级快速AP(FAP)[8]，多代表点AP(MEAP)[9]等诸多改进的算法。……