[论文解读] Fuzzy color model and clustering algorithm for color clustering problem

Dae‐Won Kim, Kwang H. Lee|arXiv (Cornell University)|Jul 9, 2024

Remote Sensing and Land Use被引用 6

一句话总结

论文提出在 CIELAB 空间中的三维模糊颜色球模型以表示颜色不确定性，以及相应的使用该模型对颜色数据进行分区的模糊聚类算法。

ABSTRACT

The research interest of this paper is focused on the efficient clustering task for an arbitrary color data. In order to tackle this problem, we have tried to model the inherent uncertainty and vagueness of color data using fuzzy color model. By taking fuzzy approach to color modeling, we could make a soft decision for the vague regions between neighboring colors. The proposed fuzzy color model defined a three dimensional fuzzy color ball and color membership computation method with two inter-color distances. With the fuzzy color model, we developed a new fuzzy clustering algorithm for an efficient partition of color data. Each fuzzy cluster set has a cluster prototype which is represented by fuzzy color centroid.

研究动机与目标

• 在颜色数据的不确定性和感知模糊性下推动颜色聚类研究。
• 引入一个基于 JND 的体积的三维模糊颜色球表示。
• 定义颜色元素之间的距离以及模糊颜色之间的距离。
• 开发一种使用模糊颜色质心来对颜色数据进行分区的模糊聚类算法。
• 提供一种利用参考模糊颜色来改进聚类结果的初始化方案。

提出的方法

• 在 CIELAB 空间中定义一个具有中心和基于 JND 的半径的三维模糊颜色球。
• 引入两种距离度量：1) CIELAB 中的元素-元素距离，2) 考虑中心和 JND 的模糊颜色与颜色元素之间的距离。
• 为模糊颜色定义一个隶属函数，使得任意颜色元素的隶属度之和等于 1。
• 制定一个模糊聚类目标函数 J(F)，使加权距离最小化到模糊颜色质心的距离。
• 提出一种初始化方法，使用来自 Munsell 轮和 CIELAB 的白/黑/灰等参考模糊颜色来初始化质心。
• 将每个模糊聚类质心表示为一个模糊颜色球，从而实现软聚类分配。

实验结果

研究问题

• RQ1 如何在颜色聚类框架中对颜色不确定性和感知模糊性进行建模？
• RQ2 将模糊颜色球表示结合专门的距离度量是否能在颜色数据聚类方面优于明确（清晰）方法？
• RQ3 在此情境下，颜色簇的模糊隶属度应如何计算并约束（之和为 1）？
• RQ4 哪种初始化策略能实现对基于模糊颜色的聚类的更好收敛？
• RQ5 在聚类中使用基于 JND 的体积对颜色相似性判定有何影响？

主要发现

• 基于在 CIELAB 空间的三维模糊球的模糊颜色模型通过 JND 半径表示颜色中心和感知容忍度。
• 定义了两种距离度量：颜色元素之间的 ρ，以及模糊颜色与颜色元素之间的 δ，包含中心距离和 JND。
• 定义了模糊颜色的隶属函数 μ，使任意颜色元素的隶属度之和为 1，并反映与模糊颜色中心的接近度。
• 最小化模糊聚类目标函数 J(F)，将颜色数据分区到以模糊颜色表示的质心的模糊簇。
• 一种初始化方案使用来自 Munsell 轮和 CIELAB 轴的 13 个参考模糊颜色来播种聚类中心，从而改进初始化。
• 该方法使颜色聚类具有软决策，并为聚类提供一个统一、以感知为基础的颜色空间。