CN104732545B - 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 - Google Patents

Abstract

本发明公开一种结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，主要解决现有纹理图像分割方法的分割精确低和计算复杂度高的问题。其方法步骤为：(1)输入一幅待分割的图像；(2)设置参数；(3)生成灰度对概率方阵；(4)统计数据点的个数；(5)构建稀疏相似度矩阵；(6)选取数据代表点；(7)对数据点进行聚类；(8)标记待分割图像；(9)输出分割后的图像。本发明相对于现有的一些纹理图像分割技术可以更好的保持纹理图像的区域一致性，获得分割精确度高、分割稳定性好的纹理图像，并且计算复杂度低。

Description

结合稀疏近邻传播和快速谱聚类的纹理图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分割技术领域的结合稀疏近邻传播和快速谱聚类的纹理图像分割方法。本发明可用于各种纹理图像的分割，以达到识别和分析目标的目的。

背景技术

图像分割是图像处理的基本问题之一，是实现对图像进行目标识别的基础。其中，纹理图像分割是数字图像处理研究的一个重要分支，是众多图像分析和机器视觉应用的基础。

在图像分割方法中，基于特征的纹理图像分割通常由特征提取和图像分割这两个步骤相继完成。纹理图像分割的目的在于根据图像的灰度、颜色、纹理、空间、几何形状等特征将图像划分为若干个互不相交的区域，要求每个区域的内部具有一致的纹理，而不同区域之间的纹理不同。在基于特征的纹理图像分割算法中，通过特征提取将每一个象素用一个纹理特征来表示，再对得到的特征集进行划分以实现纹理图像分割。对此，聚类集成技术提供了一种纹理图像分割方案的途径，能够有效提高图像分割的精度。模糊C均值算法(FCM算法)是一种最简单有效、应用最广泛的聚类方法并且经常用于纹理图像分割。FCM算法基于模糊理论，能够更准确的描述客观世界，而且算法简单，收敛速度快。但是，该算法对初始聚类中心敏感并且容易陷入局部最优，限制了聚类结果的精确度。另外，谱聚类也是一种最常用的聚类方法，尽管这种方法聚类效果不错，并且可以解决非凸数据集问题。但是，这个算法在用于纹理图分割时需要构造邻接度矩阵，并且需要计算其相应的拉普拉斯矩阵的特征向量。这两步的时间复杂度分别为O(n²)和O(n³)。这种高计算复杂度使得其只能解决小规模数据集的聚类问题。当面对大规模数据集时，不仅需要耗费大量时间，而且会占用大量内存。所以，当用该方法处理纹理图像分割时，数量庞大的特征会使聚类算法运行起来变得非常耗时。

西安电子科技大学申请的专利“基于免疫克隆多目标优化的纹理图像分割方法”(专利申请号201310182014.5，公开号CN103310441A)中公开了一种基于免疫克隆多目标优化的纹理图像分割方法。该方法的实现步骤是：步骤1，输入待分割纹理图像，并提取其特征矩阵G；步骤2，产生初始抗体群V(t)并进行初始设定；步骤3，根据特征矩阵G和抗体群V(t)，计算聚类目标函数f₁和分类目标函数f₂；步骤4，对抗体群V(t)进行免疫克隆操作，得到克隆后的抗体群Vc(t)；步骤5，对克隆后的抗体群Vc(t)进行非一致性变异操作，得到非一致变异后的抗体群Vm(t)；步骤6，对非一致变异后的抗体群Vm(t)进行种群更新操作，得到更新后的抗体群Vm(t+1)；步骤7，根据更新后的抗体群Vm(t+1)和特征矩阵G，计算出纹理图像中各个像素的类别；步骤8，输出分割后的纹理图像。该方法虽然能够更好的保持纹理图像的区域一致性，提高分割精度，使分割结果更符合人的视觉，但是仍然存在的不足是：由于免疫克隆算法属于进化算法，在运用免疫克隆算法进行纹理图像分割时，分割结果的稳定性差，无法得到有效的图像分割结果。另外，种群克隆、变异和种群的进化代数容易增加迭代运算的时间和陷入局部极值，限制了聚类结果的精确度。

清华大学深圳研究生院拥有的专利技术“一种纹理图像的分割方法”(专利申请号201210259652.8，公开号CN102819840A，授权公告号102819840B)中公开了一种纹理图像的分割方法。该专利技术的具体步骤是：输入待分割图像；提取图像的局部的各种特征信息表征图像中不同纹理区域的特性得到特征图像，通过主成分分析等手段降低数据量再通过均值漂移算法对特征向量进行聚类，从而完成较可靠的纹理图像分割。虽然该专利技术相对于现有技术得到的图像分割可靠性高，但是仍然存在的不足是：该专利技术只是提取图像的局部特征信息来表征全局，提取效果的随机性大，容易丢失重要信息，造成分割效果差。另外，通过主成分分析手段降低数据量的方法容易陷入局部最优，并且边缘信息容易丢失，限制了分割结果的精度。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，更快更准确的提取纹理图像的特征从而进行纹理图像分割，提高纹理图像分割效果。

本发明实现上述目的的思路是：首先，读入待分割的纹理图像，采用生成灰度对概率方阵的方法将图像的单一灰度特征转换为区域特征；其次，采用对K均值聚类进行递归调用的方法将获得的灰度对概率方阵分为K个不同的区域，统计每个区域数据点的个数，并计算每个数据点与其所在区域中其他点之间的欧氏距离，从而构建一个稀疏相似度矩阵；然后，采用近邻传播算法作用于稀疏相似度矩阵，获得代表点组成代表矩阵；最后，用快速谱聚类算法对数据点进行聚类，输出待分割图像的分割结果。

为了实现上述目的，本发明的具体实现步骤如下：

(1)输入一幅待分割的图像：

输入一幅大小为256×256个像素的待分割纹理图像；

(2)设置参数：

将输入的待分割纹理图像的灰度值级数设置为16，最大迭代次数设置为60；

(3)生成灰度对概率方阵：

(3a)以待分割纹理图像的中心点为原点，建立待分割纹理图像的平面坐标系；

(3b)从待分割纹理图像平面坐标系中任意选取两点，读取选取的两点所对应的灰度值大小，将两点对应的灰度值组成一个灰度对；

(3c)将步骤(3b)中用来获取灰度对的两点在整个坐标平面上平行移动，每移动一次获得一个灰度对，在平移动面上共获得16²种灰度对；

(3d)在整个待分割纹理图像坐标平面的256²个灰度对中，统计16²种灰度对中每一种灰度对的数目；

(3e)将待分割纹理图像坐标平面上每一种灰度的数目排列成一个方阵，将该方阵归一化，获得灰度对概率方阵；

(4)统计数据点的个数:

(4a)采用K均值聚类法，将灰度对概率方阵分为K个不同的区域，K≥2；

(4b)在每个区域递归调用K均值聚类法，将每个区域分为更小的区域，直到所有区域的数据个数小于等于K为止；

(4c)统计并保存每个区域数据点的个数；

(5)构建稀疏相似度矩阵：

(5a)计算每个数据点与其所在区域中其他点之间的欧氏距离；

(5b)选取每个数据点的欧氏距离最短的点；

(5c)将所有的数据点作为稀疏相似度矩阵的第一列，每个数据点的欧氏距离最短的点作为稀疏相似度矩阵的第二列，两列数据点之间的欧氏距离为稀疏相似度矩阵的第三列；

(6)选取数据代表点：

采用近邻传播算法，计算稀疏相似度矩阵中元素的代表点；

(7)对数据点进行聚类：

(7a)将稀疏相似度矩阵中元素的代表点排列成一个大小为p×p矩阵V，p表示稀疏相似度矩阵中元素的代表点的数目，0<p≤2000；

(7b)按照下式，计算聚类数据集的隶属度：

其中，u_ij表示聚类数据集中第j个数据隶属于第i个类的隶属度,i＝1,2,…,65536，j＝1,2,…,p，p表示稀疏相似度矩阵中元素的代表点的数目，0<p≤2000，exp表示指数操作，d_ij表示灰度对概率方阵中第i行数据点到矩阵V中第j行数据点间的欧氏距离，δ表示高斯核参数，δ＝100，∑表示求和操作；

(7c)将获得的聚类数据集的隶属度值排列成一个大小为65536×p隶属度矩阵，0<p≤2000；

(7d)计算隶属度矩阵的p维特征向量A，0<p≤2000；

(7e)应用K均值聚类法对特征向量A进行聚类，获得特征向量A的聚类标号；

(8)标记待分割图像：

将特征向量的聚类标号作为图像每个像素点的类别标号，得到待分割纹理图像中每个像素的类别标号；

(9)输出分割后的图像：

根据类别标号分割待分割的纹理图像，得到分割后的图像并输出分割结果。

与现有技术相比，本发明具有以下优点：

第一，由于本发明采用生成灰度对概率方阵的方法，将纹理图像的单一灰度特征转换为区域特征，不直接用图像的灰度值作为特征数据集，克服了现有技术在对纹理图像进行分割时计算量大的缺点，使得本发明降低了计算复杂度，提高了处理速度。

第二，由于本发明采用对K均值聚类进行递归调用的方法，将获得的灰度对概率方阵分为K个不同的区域，克服了现有技术在进行纹理图像分割时分割精确度低、易丢失图像边缘信息的缺点，使得本发明提高了对纹理图像分割的精确度。

第三，由于本发明采用近邻传播算法作用于稀疏相似度矩阵，获得代表点组成代表矩阵作为谱聚类算法的输入，克服了现有技术中谱聚类方法在运用于图像分割时高计算复杂度这一缺点，同时克服了现有技术在进行纹理图像分割时对初始聚类中心敏感和容易陷入局部最优的的缺点，使得本发明提高了对纹理图像分割的精确度并获得稳定性更好的分割结果。

附图说明

图1为本发明的流程图；

图2为本发明的仿真图，其中图2(a)是人工合成的含有两种不同纹理的纹理图，图2(b)是采用现有技术中的标准FCM纹理图像分割方法对人工合成的纹理图进行分割的结果图，图2(c)是采用本发明的方法对人工合成的纹理图进行分割的结果图。

具体实施方式

下面结合附图对本发明作进一步的描述。

参照附图1，本发明的具体步骤如下。

步骤1，输入一幅大小为256×256个像素的待分割纹理图像。

步骤2，设置参数。

将输入的待分割纹理图像的灰度值级数设置为16，最大迭代次数设置为60。

步骤3，生成灰度对概率方阵。

以待分割纹理图像的中心点为原点，建立待分割纹理图像的平面坐标系。

从待分割纹理图像平面坐标系中任意选取两点，读取选取的两点所对应的灰度值大小，将两点对应的灰度值组成一个灰度对。

将用来获取灰度对的两点在整个坐标平面上平行移动，每移动一次获得一个灰度对，在平移动面上共获得16²种灰度对。

在整个待分割纹理图像坐标平面的256²个灰度对中，统计16²种灰度对中每一种灰度对的数目。

将待分割纹理图像坐标平面上每一种灰度的数目排列成一个方阵，将该方阵归一化，生成灰度对概率方阵，获得的灰度对概率方阵的大小为256×256。

步骤4，统计数据点的个数。

采用K均值聚类法，将灰度对概率方阵分为K个不同的区域，K≥2。

K均值聚类法对灰度对概率方阵进行区域划分的步骤是：从待分割图像的灰度对概率方阵中随机选择K个元素作为初始聚类中心值，将每个聚类中心各自划分为一类，K≥2，计算待分割图像的灰度对概率方阵中所有元素到K个聚类中心值的距离，比较灰度对概率方阵中每个元素到K个聚类中心值的距离，将每个元素最小值对应的聚类中心值类别标号赋予相应的元素，得到灰度对概率方阵中每个元素的类别标号，计算灰度对概率方阵中每类元素的平均值，得到新的聚类中心值，比较新的聚类中心值与原聚类中心值是否相同，若新聚类中心值与原聚类中心值不同，则继续迭代，将灰度对概率方阵中的所有元素根据与新聚类中心值的距离重新进行类别划分，直到达到最大迭代次数，输出聚类结果，如果新聚类中心值和原聚类中心值相同，则输出聚类结果。

K均值聚类法中采用欧式距离计算灰度对概率方阵中每个元素到K个聚类中心值的距离，欧式距离按照下式计算：

d(x,y)＝||x-y||。

其中，d(x,y)表示欧式距离，x和y分别表示灰度对概率方阵中的两个元素。

在每个区域递归调用K均值聚类法，将每个区域分为更小的区域，直到所有区域的数据个数小于等于K为止，统计并保存每个区域数据点的个数。

步骤5，构建稀疏相似度矩阵。

计算每个数据点与其所在区域中其他点之间的欧氏距离，选取每个数据点的欧氏距离最短的点。

将所有的数据点作为稀疏相似度矩阵的第一列，每个数据点的欧氏距离最短的点作为稀疏相似度矩阵的第二列，两列数据点之间的欧氏距离为稀疏相似度矩阵的第三列。

本发明对构建稀疏相似度矩阵的具体实施例是：假设数据点1的近邻是2、3、4，数据点2的近邻是3、5、6，则稀疏相似度矩阵可以表示为：

其中，d(x,y)表示欧式距离，x和y分别表示灰度对概率方阵中的两个元素。

步骤6，选取数据代表点。

采用近邻传播算法，计算稀疏相似度矩阵中元素的代表点。

近邻传播算法具体步骤如下：

第1步，将稀疏相似度矩阵中元素之间的吸引度和归属度初始化为0，迭代次数t初始化为1；

第2步，按照下式，计算稀疏相似度矩阵中数据点j对数据点i的吸引度：

其中，r(i,j)表示稀疏相似度矩阵中数据点j对数据点i的吸引度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，s(i,j)表示稀疏相似度矩阵中数据点i和数据点j之间的相似度大小，max表示取最大值操作，k表示稀疏相似度矩阵中第k个元素的标号，k＝1,2,…,65536，t表示当前的迭代次数，t≤60，a(i,k)表示稀疏相似度矩阵中数据点i对数据点k的归属度，s(i,k)表示稀疏相似度矩阵中数据点i和数据点k之间的相似度大小；

第3步，按照下式，计算稀疏相似度矩阵中数据点i对数据点j的归属度：

其中，a(i,j)表示稀疏相似度矩阵中数据点i对数据点j的归属度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，min表示取最小值操作，r(j,j)表示稀疏相似度矩阵中数据点j对自身的吸引度，∑表示求和操作，t表示当前的迭代次数，t≤60，max表示取最大值操作，r(k,j)表示稀疏相似度矩阵中数据点k对数据点j的吸引度，k表示稀疏相似度矩阵中第k个元素的标号，k＝1,2,…,65536；

第4步，按照下式，更新稀疏相似度矩阵中数据点j对数据点i的吸引度：

R(i,j)＝λ×r'(i,j)+(1-λ)×r(i,j)。

其中，R(i,j)表示更新后稀疏相似度矩阵中数据点j对数据点i的吸引度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，λ表示收敛系数，λ∈(0,1)，r'(i,j)表示本次迭代之前稀疏相似度矩阵中数据点j对数据点i的吸引度，r(i,j)是第2步获得的稀疏相似度矩阵中数据点j对数据点i的吸引度；

第5步，按照下式，更新稀疏相似度矩阵中数据点i对数据点j的归属度：

A(i,j)＝λ×a'(i,j)+(1-λ)×a(i,j)。

其中，A(i,j)表示更新后稀疏相似度矩阵中数据点i对数据点j的归属度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，λ表示收敛系数，λ∈(0,1)，a'(i,j)表示本次迭代之前稀疏相似度矩阵中数据点i对数据点j的归属度，a(i,j)是第3步获得的稀疏相似度矩阵中数据点i对数据点j的归属度；

第6步，判断当前的迭代次数是否达到初始化所设定的最大迭代次数60，如果是，执行第7步，否则，执行第2步；

第7步，按照下式，计算稀疏相似度矩阵中元素的代表点：

i^*＝argmax((A(i,j)+R(i,j))。

其中，i^*表示稀疏相似度矩阵中数据点i的代表点，i表示稀疏相似度矩阵中第i个元素的标号，i＝1,2,…,65536，max表示取最大值操作，arg(i)表示在稀疏相似度矩阵中取最值元素对应标号的操作，A(i,j)表示迭代更新后稀疏相似度矩阵中数据点i对数据点j的归属度，j表示稀疏相似度矩阵中第j个元素的标号，j＝1,2,…,65536，R(i,j)表示迭代更新后稀疏相似度矩阵中数据点j对数据点i的吸引度。

近邻传播算法不需要指定聚类数目，而是通过偏置值的大小来自动确定，在本发明实施例中，将偏置值设定为稀疏相似度矩阵的中位数。

步骤7，对数据点进行聚类。

将获得的代表点排列成一个大小为p×p矩阵V，p表示代表点的数目，0<p≤2000。按照下式，计算聚类数据集的隶属度值：

其中，u_ij表示聚类数据集中第j个数据隶属于第i个类的隶属度,i＝1,2,…,65536，j＝1,2,…,p，p表示稀疏相似度矩阵中元素的代表点的数目，0<p≤2000，exp表示指数操作，d_ij表示灰度对概率方阵中第i行数据点到矩阵V中第j行数据点间的欧氏距离，δ表示高斯核参数，δ＝100，∑表示求和操作。

将获得的聚类数据集的隶属度值排列成一个大小为65536×p隶属度矩阵，0<p≤2000，计算隶属度矩阵的p维特征向量A，0<p≤2000，应用K均值聚类方法对特征向量A进行聚类，获得特征向量A的聚类标号。

步骤8，标记待分割图像。

将特征向量的聚类标号作为图像每个像素点的类别标号，得到待分割纹理图像中每个像素的类别标号。

步骤9，标记待分割图像。

根据类别标号分割待分割的纹理图像，得到分割后的图像并输出分割结果。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件：

本发明的仿真试验是在计算机硬件配置为AMD FX(tm)-6300@3.50GHz、16.0GBRAM的硬件环境和计算机软件配置为Matlab R2010a的软件环境下进行的。

2.仿真内容：

图2是本发明的仿真图，其中，图2(a)是任意选取的一幅含有两类不同的纹理的人工合成纹理图。

仿真1，采用现有技术的标准FCM纹理图像分割方法对所选取的一幅两类不同的纹理图像图2(a)进行分割，结果如图2(b)所示。仿真2，采用本发明对所选取的一幅两类不同的纹理图像图2(a)进行分割，结果如图2(c)所示。

3.仿真结果分析：

图2(b)是采用现有技术的标准FCM纹理图像分割方法对所选取的一幅两类不同的纹理图像进行分割得到的分割结果图，从图2(b)中可见，分割边缘比较粗糙，分割结果的白色区域中有很多杂点，没有很好的保持区域一致性。图2(c)是采用本发明方法对所选取的一幅两类不同的纹理图像进行分割得到的分割结果图，从图2(c)中可见，本发明的分割结果较好的保持了对纹理图像分割后的区域一致性，分割边缘比较规整，分割结果更符合人的视觉感受。

分别统计采用本发明和标准FCM纹理图像分割方法，对所选取的一幅两类不同的纹理图像进行分割得到的分割结果中分割点正确的个数并归一化，得到采用这两种方法对所选取的一幅两类不同的纹理图像进行分割的分割正确率，结果如表1所示。

表1采用本发明和标准FCM纹理图像分割方法对所选取的一幅两类不同的纹理图像进行分割的分割正确率一览表

仿真类型	本发明	标准FCM方法
			分割正确率	0.9714	0.9061

从表1可知，采用本发明对所选取的一幅两类不同的纹理图像进行分割的分割正确率是0.9714，显然高于采用标准的FCM纹理图像分割方法对所选取的一幅两类不同的纹理图像进行分割的分割正确率0.9061，说明本发明提高了纹理图像分割的分割精度。

Claims (3)

1.一种结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，包括以下步骤：

(1)输入一幅待分割的图像：

输入一幅大小为256×256个像素的待分割纹理图像；

(2)设置参数：

将输入的待分割纹理图像的灰度值级数设置为16，最大迭代次数设置为60；

(3)生成灰度对概率方阵：

(3a)以待分割纹理图像的中心点为原点，建立待分割纹理图像的平面坐标系；

(3b)从待分割纹理图像平面坐标系中任意选取两点，读取选取的两点所对应的灰度值大小，将两点对应的灰度值组成一个灰度对；

(3c)将步骤(3b)中用来获取灰度对的两点在整个坐标平面上平行移动，每移动一次获得一个灰度对，在平移动面上共获得16²种灰度对；

(3d)在整个待分割纹理图像坐标平面的256²个灰度对中，统计16²种灰度对中每一种灰度对的数目；

(3e)将待分割纹理图像坐标平面上每一种灰度的数目排列成一个方阵，将该方阵归一化，获得灰度对概率方阵；

(4)统计数据点的个数:

(4a)采用K均值聚类法，将灰度对概率方阵分为K个不同的区域，K≥2；

(4b)在每个区域递归调用K均值聚类法，将每个区域分为更小的区域，直到所有区域的数据个数小于等于K为止；

(4c)统计并保存每个区域数据点的个数；

(5)构建稀疏相似度矩阵：

(5a)计算每个数据点与其所在区域中其他点之间的欧氏距离；

(5b)选取每个数据点的欧氏距离最短的点；

(5c)将所有的数据点作为稀疏相似度矩阵的第一列，每个数据点的欧氏距离最短的点作为稀疏相似度矩阵的第二列，两列数据点之间的欧氏距离为稀疏相似度矩阵的第三列；

(6)选取数据代表点：

采用近邻传播算法，计算稀疏相似度矩阵中元素的代表点；

(7)对数据点进行聚类：

(7a)将稀疏相似度矩阵中元素的代表点排列成一个大小为p×p矩阵V，p表示稀疏相似度矩阵中元素的代表点的数目，0＜p≤2000；

(7b)按照下式，计算聚类数据集的隶属度：

$u_{\mathrm{ij}}=\frac{\exp (-{d_{\mathrm{ij}}}^2/2\&times;{\mathrm{\&delta;}}^2)}{\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}\exp (-{d_{\mathrm{ij}}}^2/2\&times;{\mathrm{\&delta;}}^2)}$

其中，u_ij表示聚类数据集中第j个数据隶属于第i个类的隶属度,i＝1,2,…,65536，j＝1,2,…,p，p表示稀疏相似度矩阵中元素的代表点的数目，0＜p≤2000，exp表示指数操作，d_ij表示灰度对概率方阵中第i行数据点到矩阵V中第j行数据点间的欧氏距离，δ表示高斯核参数，δ＝100，Σ表示求和操作；

(7c)将获得的聚类数据集的隶属度值排列成一个大小为65536×p隶属度矩阵，0＜p≤2000；

(7d)计算隶属度矩阵的p维特征向量A，0＜p≤2000；

(7e)应用K均值聚类法对特征向量A进行聚类，获得特征向量A的聚类标号；

(8)标记待分割图像：

将特征向量的聚类标号作为图像每个像素点的类别标号，得到待分割纹理图像中每个像素的类别标号；

(9)输出分割后的图像：

根据类别标号分割待分割的纹理图像，得到分割后的图像并输出分割结果。

2.根据权利要求1所述的结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，其特征在于，步骤(4a)、步骤(4b)中所述K均值聚类法的具体步骤如下：

第1步，从待分割图像的灰度对概率方阵中随机选择K个元素作为初始聚类中心值，将每个聚类中心各自划分为一类，K≥2；

第2步，计算待分割图像的灰度对概率方阵中所有元素到K个聚类中心值的距离；

第3步，比较灰度对概率方阵中每个元素到K个聚类中心值的距离，将每个元素最小值对应的聚类中心值类别标号赋予相应的元素，得到灰度对概率方阵中每个元素的类别标号；

第4步，计算灰度对概率方阵中每类元素的平均值，得到新的聚类中心值；

第5步，比较新的聚类中心值与原聚类中心值是否相同，若新聚类中心值与原聚类中心值不同，则继续迭代，将灰度对概率方阵中的所有元素根据与新聚类中心值的距离重新进行类别划分，直到达到最大迭代次数，输出聚类结果，如果新聚类中心值和原聚类中心值相同，则输出聚类结果。

3.根据权利要求1所述的结合稀疏近邻传播和快速谱聚类的纹理图像分割方法，其特征在于，步骤(6)中所述采用近邻传播算法获取代表点的具体步骤如下：

第1步，将稀疏相似度矩阵中元素之间的吸引度和归属度初始化为0，迭代次数t初始化为1；

第2步，按照下式，计算稀疏相似度矩阵中数据点j对数据点i的吸引度：

$r(i,j)=s(i,j)-\underset{k\&NotEqual;j.t}{\max }\{a(i,k)+s(i,k)\}$

其中，r(i,j)表示稀疏相似度矩阵中数据点j对数据点i的吸引度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，s(i,j)表示稀疏相似度矩阵中数据点i和数据点j之间的相似度大小，max表示取最大值操作，k表示稀疏相似度矩阵中第k个元素的标号，k＝1,2,…,65536，t表示当前的迭代次数，t≤60，a(i,k)表示稀疏相似度矩阵中数据点i对数据点k的归属度，s(i,k)表示稀疏相似度矩阵中数据点i和数据点k之间的相似度大小；

第3步，按照下式，计算稀疏相似度矩阵中数据点i对数据点j的归属度：

$\left\{\begin{array}{c}a(i,j)=\min \{0,r(j,j)+\underset{k\&NotElement;\{i,j\}.t}{\mathrm{\&Sigma;}}\max \{0,r(k,j)\left\}\right\},i\&NotEqual;j\\ a(i,j)=\underset{k\&NotEqual;j.t}{\mathrm{\&Sigma;}}\max \{0,r(k,j)\},i=j\end{array}\right.$

其中，a(i,j)表示稀疏相似度矩阵中数据点i对数据点j的归属度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，min表示取最小值操作，r(j,j)表示稀疏相似度矩阵中数据点j对自身的吸引度，Σ表示求和操作，t表示当前的迭代次数，t≤60，max表示取最大值操作，r(k,j)表示稀疏相似度矩阵中数据点k对数据点j的吸引度，k表示稀疏相似度矩阵中第k个元素的标号，k＝1,2,…,65536；

第4步，按照下式，更新稀疏相似度矩阵中数据点j对数据点i的吸引度：

R(i,j)＝λ×r'(i,j)+(1-λ)×r(i,j)

其中，R(i,j)表示更新后稀疏相似度矩阵中数据点j对数据点i的吸引度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，λ表示收敛系数，λ∈(0,1)，r'(i,j)表示本次迭代之前稀疏相似度矩阵中数据点j对数据点i的吸引度，r(i,j)是第2步获得的稀疏相似度矩阵中数据点j对数据点i的吸引度；

第5步，按照下式，更新稀疏相似度矩阵中数据点i对数据点j的归属度：

A(i,j)＝λ×a'(i,j)+(1-λ)×a(i,j)

其中，A(i,j)表示更新后稀疏相似度矩阵中数据点i对数据点j的归属度，i和j分别表示稀疏相似度矩阵中第i个和第j个元素的标号，i＝1,2,…,65536，j＝1,2,…,65536，λ表示收敛系数，λ∈(0,1)，a'(i,j)表示本次迭代之前稀疏相似度矩阵中数据点i对数据点j的归属度，a(i,j)是第3步获得的稀疏相似度矩阵中数据点i对数据点j的归属度；

第6步，判断当前的迭代次数是否达到初始化所设定的最大迭代次数60，如果是，执行第7步，否则，执行第2步；

第7步，按照下式，计算稀疏相似度矩阵中元素的代表点：

i^*＝argmax((A(i,j)+R(i,j))

其中，i^*表示稀疏相似度矩阵中数据点i的代表点，i表示稀疏相似度矩阵中第i个元素的标号，i＝1,2,…,65536，max表示取最大值操作，arg(·)表示在稀疏相似度矩阵中取最值元素对应标号的操作，A(i,j)表示迭代更新后稀疏相似度矩阵中数据点i对数据点j的归属度，j表示稀疏相似度矩阵中第j个元素的标号，j＝1,2,…,65536，R(i,j)表示迭代更新后稀疏相似度矩阵中数据点j对数据点i的吸引度。