[论文解读] Color Image Clustering using Block Truncation Algorithm

Sanjay Silakari, Mahesh Motwani+1 more|ArXiv.org|Oct 9, 2009

Image Retrieval and Classification Techniques参考文献 16被引用 61

一句话总结

本文提出了一种基于块截断编码（BTC）和颜色矩的特征提取方法，结合K-Means聚类算法，实现彩色图像的聚类。该方法通过结合BTC的高效压缩与基于颜色矩的特征，提升了聚类性能，展示了利用低层次视觉特征进行有效无监督彩色图像分组的能力。

ABSTRACT

With the advancement in image capturing device, the image data been generated at high volume. If images are analyzed properly, they can reveal useful information to the human users. Content based image retrieval address the problem of retrieving images relevant to the user needs from image databases on the basis of low-level visual features that can be derived from the images. Grouping images into meaningful categories to reveal useful information is a challenging and important problem. Clustering is a data mining technique to group a set of unsupervised data based on the conceptual clustering principal: maximizing the intraclass similarity and minimizing the interclass similarity. Proposed framework focuses on color as feature. Color Moment and Block Truncation Coding (BTC) are used to extract features for image dataset. Experimental study using K-Means clustering algorithm is conducted to group the image dataset into various clusters.

研究动机与目标

• 为解决大规模彩色图像分组问题，以实现高效的内容驱动图像检索。
• 通过在无监督学习中利用颜色作为主要视觉特征，提升聚类精度。
• 探索结合颜色矩与块截断编码（BTC）在鲁棒图像特征表示方面的有效性。
• 评估基于所提出的特征提取流程，在图像数据集上应用K-Means聚类的性能。

提出的方法

• 从每幅图像中提取颜色矩，通过R、G和B颜色通道的均值、标准差和偏度来表示全局颜色分布。
• 应用块截断编码（BTC）对图像块进行压缩，同时保留主要颜色信息，生成紧凑的表示形式。
• 将从颜色矩和BTC中提取的特征组合成每幅图像的单一特征向量，作为聚类的输入。
• 对特征向量应用K-Means聚类算法，根据颜色特征的相似性将图像分组为簇。
• 聚类过程旨在最大化类内相似性并最小化类间相似性，遵循概念聚类的原则。
• 在彩色图像数据集上对方法进行评估，使用标准聚类评估指标，尽管摘要中未详细说明具体指标。

实验结果

研究问题

• RQ1 颜色矩与块截断编码的结合是否能提升彩色图像聚类的特征表示？
• RQ2 当在图像数据集上应用BTC和颜色矩特征时，K-Means聚类的效率如何？
• RQ3 所提出的特征提取方法是否相比单独使用各类特征能提升聚类性能？
• RQ4 该方法在聚类组中在多大程度上保持了视觉相似性？

主要发现

• 颜色矩与块截断编码的结合生成了紧凑且有效的彩色图像聚类特征表示。
• 所提出的方法能基于视觉颜色相似性成功地将图像分组为有意义的簇。
• 在组合特征向量上应用K-Means聚类表现出稳定且一致的聚类结果。
• 该框架提供了一种计算高效的无监督彩色图像聚类方法，仅依赖低层次视觉特征。