TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 6181 ~ 6189   DOI: 10.115 9 1 /telkomni ka. v 12i8.545 8          6181     Re cei v ed  De cem ber 2 3 , 2013; Re vi sed  April 18, 201 4; Acce pted  April 30, 201 4  Which Representation to Choose for Image Cluster       Haolin Gao*,  Gang Ch en,  Bicheng Li, Yong w e i Zh ao    Dep a rtment of Data Process i n g  Engi ne erin g, Z hengz ho u Informatio n  Scien c e and T e chno log y  Institute,  Z hengz ho u, 45 000 2   *Corres p o ndi n g  author, e-ma i l : hol yg ao@ 12 6.com      A b st r a ct  To cho o se  be st represe n tati on for  i m ag e  cluste r, w e  an aly z e d  the  dist ing u ish  ab ility  of thre e   typical  i m a g e   repres entati o n s , color  hist og ram, G abor  te xture a n d  ge o m etric   mo men t  by fittin g  i m age   distanc e curve,  and sh ow  different retri e val  results of  i m a g e  retrieva l for  different i m age  represe n tatio n s .  To de pict the  d i sting u ish  ab ilit y of differ ent i m a g e  r epr ese n t ations, w e  pr e s ent a  cluster   discri m i n a n t in dex   calle d Si mp lifie d Overall C l ust e r Qua lity, w h ich constitutes  cluster co mp ac tion an d cluste r separati on, a n d   the exp e ri me nt  results sh ow  that  the i m age  repres entati o n w i th best d i stingu ish a b i lit y also  poss e s s es  max i mu m  disc rimina nt i n d e x  val ue. T h is i ndex  ca n  b e  used   to deter mi ne   opt i m al  repres entati o n   for   clusteri ng i m a g e s.    Ke y w ords :  image cl usterin g , imag e repres e n tation,  si mp lifi ed over all cl uster qua lity     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Clu s terin g , al so  calle d cl u s ter  analy s is or u n supe rvised  cla s sification is  a m e thod of   cre a ting g r ou ps o r  cl uste rs of object s , so that  obje c ts in one  clu s te r are very si milar an d obj ect s   in different cl usters a r e qu ite distincta b l e  [1]. The applicatio n are a s  of clu s teri n g  inclu de ima ge  segm entation ,  informatio n  retri e val, do cume nt  cl assification,  a ssociate   rul e  mining and  web  usa ge tra c kin g  and  so on.  Gene rally, cl usteri ng p r ob lems  can b e   divided into t w o  catego rie s :  hard  clu s teri n g  and soft clu s terin g . In ha rd cl uste ring,  a data point  belon gs to on e clu s ter, whil e   in soft clu s te ring; a data  point may be long to two  or mo re cl usters  with so me pro babilit ies.   Clu s terin g  al gorithm s can  also be cl a ssifie d  into two catego rie s : hiera r chi c al algorithm s and   partitione d al gorithm s. Hie r archi c al al go rithms  in clu d e  two types: divisive and a gglome r ative.   Thoug h a large num ber of  cluste rin g  m e thod s have  been d e velop ed, clu s teri ng  remain s  a ch allengi ng  task. A cl ust e ring  algo rith m may  beh a v e differently becau se the  different cho s en  of feature s  o f  the data se t or the p a ra meter va lu es of the algo ri thm [2]. A typical  clu s teri ng   method in clu des the follo wing three st age s [3]: pat tern re present ation, def inition of a pattern  proximity me asu r e, group ing  data poi nts acco rdi n g to the  pattern re prese n tation and  the  proximity me asu r e. Durin g  the past d e cade s, m any clusteri ng met hod s we re  propo sed, an d  all  these  meth o d s  have th e  same  g oal, i. e., the maxi mization  of  h o moge neity  within  ea ch  cluster  and the mini mization of h e terog eneity betwe en diffe rent clu s te rs.   Clu s terin g  in  image  pro c essing  and  comp uter vi sion is a p r o c ed ure  for id entifying   grou ps  of si milar  im age primitives, su ch as  i m age   pixels, lo cal f eature s ,  seg m ents, o b je cts o r   even complet e  image s. Im age  clu s terin g  is o ne of  th e impo rtant a pplication s  of  data cl uste ri ng.  Referen c e [4]  cla ssified th e  image  cluste ring al gorith m s into two  cat egori e s, the  supervi sed  an d   the unsupe rvised meth od s. The su pervi sed al gorith m s incorp orate  a priori  kno w led ge, su ch  as  the numbe r o f  image clu s ters.   Data re pre s e n tation in these  clust e rin g  algorithm s   is still one of the most importa nt   factors that i n fluence the  p e rform a n c e  o f  the cl uste rin g  alg o rithm. I f  the re prese n tation i s  go o d ,  the clu s ters a r e likely to be  compa c t an d isolated a n d  even a sim p le clu s teri ng  algorithm su ch   as K-m eans  will find them.  Unfortu natel y, there is no  universally  good representation; the choice  of representa t ion must be  guide d by the domain kno w led ge.   So, different  image fe atures  may resul t  in di fferent  clu s terin g  eff e cts.  Ho weve r, many   curre n tly literature s   about  imag e  clu s tering  di re ctly empl oyed i m age  features to   cluste ring   without  discu ssi ng th e  clu s terin g  effe cts of  different  feature s . T h is p ape r try t o  an alysi s  th e  different clu s tering effect s of different image f eature s , mainly global feature s ,  such as col o r  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  618 1 –  6189   6182 histog ram, G abor fe ature s  and geo metric mome n t, and propo se a  discrimin ant index to judg e   whi c h feature  is better for clusteri ng.   To find th e v a riation  amo n g  differe nt im age fe ature s ,  we  compa r e d  the im age   distan ce  curve s   of different fe ature s ; t he  cu rves sh owed that  the  wavefo rm are obvio u s ly differe nt. And   the retrieval  results for th ree ima ge fe ature a r e al so different. T o  depi ct the  differen c e  we  defined  a  discrimi nant i n d e x call ed SO CQ  (simplifie d overall  clu s ter q uality). T he valu e of t h is  index  can  refl ect the  cl uste ring  effect of  corre s p ondin g  imag e feat ure. So,  we  can d e termi n e  to   use  whi c h i m age representation to clu s terin g  im age s acco rdi ng SOCQ. As to clust e ring  algorith m s, o ne  of   the m o st  p opul ar and sim p le  algorith m s was K - me an s. Tho ugh  it  wa s  prop osed  ove r  50 ye ars a g o  and  thou sa nds  of  cl uste ring alg o rithm s  have  be en  publi s hed  si n c e  then, K-mea n s is  still wid e ly used  su ch as in im ag e clu s ter. Thi s  sp ea ks to  the difficulty of  desi gning  a  gene ral  purp o se  clu s te rin g  algo rithm  and the  ill-p o se d p r oble m  of clu s te ri ng[5].  Therefore, in  our expe rime nt we use it to clu s ter ima ges a nd testif y the cluste ring effects.    Our  work focuse d on ho w  to choo se a  beat feature for imag e clu s ter, whi c h is  different   from feature  s e lec t ion [6],[7], they s e lected a su bs pac e  from high  dimens ional space to improve  the efficien cy of classification. We d on’t  sele ct  a sub s pace vecto r  from a high  di mensi on ve ctor,  we ju st evalu a ted the clu s t e ring  effe ct of image feature vector.   The follo wing  of this p ape r wa s o r ga nized a s  follo ws, secto r  2  an alysis th e di stinguish   ability of three global imag e feature s , sector 3 p r e s e n t discrimina nt index for clusteri ng effe cts  based on  OCQ[8], secto r  4  comp ares th e disting u is h  ability of the three i m age fe ature s , se cto r  5  con c lu de s the main wo rk of this pape r and di sc uss the image feat ure s  and the i m age cl uste ri ng.      2 ． The Distinguish Abilit y  of  the Image Features  For the co nvenient of co mputation an d result s visualization, we mainly discu ss the   global featu r es for ima g e  cluste ring. T he frequ ently used gl obal  image featu r es in clud e co lor,  texture and shape, re sp ectively represe n ted by  the  HSV colo r histogram, Ga bor texture a n d   geomet ric mo ment. The extractio n  of thre e feature s  is  detailed a s  fo llows.    2.1. The Feature Extra c tio n   For different i m age featu r e  embodi es  di fferent  imag e  informatio n, and e a ch fe a t ure is  an ap proxima t ion of image  informatio n, so, diffe re nt image featu r e  may have dif f erent si milari ty   for s a me two  images .    HSV Colo r hi stogram ne e d s to tra n slat e an imag e i n to HSV sp a c e an d qu ant ified the   results. The q uantificatio n is sh owed a s  follows:     0 [ 31 6 , 20 ] 1 [ 21 , 4 0] 2[ 4 1 6 , 7 5 ] 0 [ 0 , 0.2] 3 [ 76 , 1 55 ] 1[ 0 . 2 , 0 . 7 ] 4 [ 156 , 1 90] 2[ 0 . 7 5 [ 19 1 , 270 ] 6 [ 27 1 , 29 5 ] 7 [ 29 6 , 315 ] if h if h if h if s if h HS i f s if h if s if h if h if h              0 [ 0 , 0.2] 1[ 0 . 2 , 0 . 7 ] ,1 ] 2 [ 0 . 7 , 1 ] if v Vi f v if v              (1)     Then the qu a n tification re sults are  com b ined in a si ngl e value:    93 x HS V           ( 2 )     Whe r e  [0 , 7 1 ] x , so an image can  be rep r e s e n ted by a histo g ram of 72 bi ns.   Gabo r texture is b a sed  G abor fun c tion  and   wavelet.  Given  an  im age  I ( x ,  y ), it s  Gabo r  wavelet tran sform is then d e fined to be:     * 11 1 1 1 1 (, ) ( , ) ( , ) mn m n Wx y I x y g x x y y d x y         ( 3 )   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Whi c h Repre s entatio n to Cho o se for Im age Cluste r (Haoli n  Gao )   6183 Whe r e * in di cate s the co mplex co njug ate. It is assumed that th e local texture regi on s  are  spatially  homog ene o u s, and th e  mean  mn  and  the stand ard deviation  mn  o f  t he  magnitud e  of the tran sform  coefficie n ts a r e used to re pre s ent the region:      2 (, ) , (, ) mn m n mn mn mn W x y d xdy W x y dxdy          ( 4 )     A feature ve ctor i s   no w  constructe d u s ing  mn   and  mn ,  as feature  com pone nts.  We  use scale s   m   = 5 and o r ien t ations  n  = 4,  resulting in a  feature vecto r .    00 00 34 34 f           ( 5 )     Whi c h is a 4 0  dimensi on vector.   The shap e feature i s  de picted by g e o metri c  mom ents, whi c h  are p r oje c tio n s of the   image fun c tio n   f ( x , y ) onto the mono mial  p q x y . The geomet ric mom ents  p q u  of orde r ( p + q ) of the   image fun c tio n   f ( x , y ) are d e fined a s :    () ( ) ( , ) pq pq xy ux x y y f x y             ( 6 )     Whe r e  ,0 , 1 , 2 , pq  .  Hu introdu ce d seve n no n linear fu nctio n s  whi c h a r e tran slation,  scale, an d  rotation   invariant.  Hu' s   seven  mom ent invari ants have  been  widely u s ed i n   pattern  re co g n ition, an d th eir  perfo rman ce  has b een eva l uated un der  variou s  defo r mation situati ons. Th ey are  defined a s :    12 0 0 2 22 22 0 0 2 1 1 22 33 0 1 2 2 1 0 3 22 43 0 1 2 2 1 0 3 22 53 0 1 2 3 0 1 2 3 0 1 2 0 3 2 1 22 21 03 21 03 30 12 0 3 2 1 62 0 0 2 3 0 () 4 (3 ) ( 3 ) () ( ) (3 ) ( ) ( ) 3 ( )              ( 3 ) ( ) 3 ( ) ( ) () ( m m m m m m                     22 12 21 0 3 11 30 1 2 21 03 22 7 2 10 3 3 01 2 3 01 2 0 3 2 1 22 12 30 21 03 30 12 03 21 )( ) 4 ( ) ( ) (3 )( ) ( ) 3 ( )           ( 3 ) ( ) 3 ( ) ( ) m                  ( 7 )     Whe r e   00 / pq p q uu , and for  2, 3 , pq ,  1( ) / 2 pq  . The seven m o me nts  form a featu r e vector  12 7 (, , , ) f mm m , whi c h  can  be u s ed to re prese n t an imag e. We u s e th e   25 dimen s io n  vector in this paper.     0 2 03 04 1 2 7 () f mm m            ( 8 )     2.2. The Distinguish Abilit y  of Features  To sh ow the  different di stingui sh ability  of  three ima ge features,  we sele ct 4 categori e s  100 im age s f r om  Calte c h 2 56 d a taba se,  ea ch  cate go ry 25 i m age s,  call ed im age  set  1. Part s  of  them are  sho w ed in Fig u re  1.  Becau s e im a ge dista n ce is impo rtant for clu s te r alg o rithm an d many algorith m  grou p   image s ba se d on inte r-di s tan c e of im age s. And to  intuitively see th e dist ance of differen t   feature s , we  just cal c ul ate  t he distan ce  betwee n  the  first image a nd all the oth e r imag es, th e  distan ce i s  sh owe d  in Figu re 2.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  618 1 –  6189   6184     Figure 1. Parts of Image s in Image Set 1        (a)     (b)     Figure 2. The  Distan ce of the First Imag e and othe r Image s in Ima ge Set 1 (a)  HSV colo r  histog ram, (b ) Gabo r texture       We  can  se e that thre e fitting cu rve s  are  diffe rent, which m ean s tha t  even sa me  picture s   have differe n t  similaritie s  to the first image, an d  the rel a tive si milarity is al so different, for  example, the  distan ce  of image 9 9  to i m age 1  is  big ger th an the  distan ce  of image 1 00 to i m ag e   1 for color fe ature,  but i s   smaller for texture. T h is  can   be intuitively  see n  in  Fig u re 3. T he  Figu re  3(a )  is the  ret r ieval re sult o f  color fe ature, with  the first image  as t he que ry ima ge. Figu re 3 ( b) is  the result of t e xture fe ature. We   can  se e that th e ret r ieval re sults are   very different.  In  th e  t w o  figure s , only the first 30 im age s are  sho w ed.        (a)  (b)     Figure 3. The  Retrieval Re sult for Different  Feature (a) HSV color  histog ram, (b ) Gabo r  texture      Since the rel a tive similarit y  may be different  for different feature, so the cl usteri ng   results  also  may be  different. Then  ho w to d e ci de  whi c h featu r e  is b e tter fo r clu s teri ng?  We   see k  to clu s te r validity analysis for  clu s te ring alg o rithm s .        Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Whi c h Repre s entatio n to Cho o se for Im age Cluste r (Haoli n  Gao )   6185 3. Cluste r Validation and  the Ov erall  Cluster Qual it y   3.1. Cluster Validit y  A clu s terin g  a l gorithm  beh a v es differentl y   depen ding on  the cho s e n   f eatures  of the data   set an d the p a ram e ter val ues  of the al gorithm [1 0]. And from th e  viewpoi nt of data di stributi on,   norm a lly there is no pri o ri  information  about the  structure of the data.  Hen c e ,  the accu ra cy of  clu s terin g  en tirely depe nd s on th e dat a and the  e x tent the clu s terin g  alg o ri thm captu r e  the  stru cture. To  simply the  clusteri ng  algo rithm,  someti mes  sp ecifi c   stru cture was impo sed to   a  dataset. But if the assum p tion ab out the  data di st ributi on is  wrong, t he re sult s ma y be very poo r.   Therefore,  it  is im porta nt  to evaluate  t he  clu s teri ng  quality in  q uantitative m anne r, a nd t h is  probl em i s  al so  calle d clu s ter validity a nalysi s , whi c h aims to  discoveri ng the  distrib u tion of  a   data set,  ide n tifying  the cl usteri ng pa ra digm  that  is  most  suita b le  for  a p r obl e m  dom ain, a nd  deci d ing the  optimal pa ra meters for a specifi c  clu s tering method.   A numbe r of  efforts h a ve  been  mad e  i n  clu s te r vali dity. Howeve r, the i ssu e o f  clust e r  validity is rat her  unde r-ad dre s sed. In g eneral te rm s,  there  are  three ap pro a ch es to inve stig ate  clu s ter vali dity. The first i s  b a sed  on  external  crite r ia. It evaluat es th e results of  a  clu s te ring   algorith m  b a s ed  on  a  pre-spe c ified  st ructu r e,   whi c h is imp o sed  on  a  data  set. The  se co nd   approa ch i s  b a se d on inte rnal criteria. It evaluates  th e re sults  of a clu s terin g  al gorithm in te rms  of quantities that involve the vect ors of the data set th emselve s . Th e third app ro ach of clu s te ring   validity is based on relative  criteri a . It evaluate s  a  clu s terin g  struct ure by comp a r ing it with ot her  c l us te r i ng  sc he me s .    The  two  first approa che s  a r e  b a sed on statisti cal te sts and  their maj o r d r a w b a ck i s  thei r  high co mputa t ional co st. Moreove r , the indices re late d to these ap proa ch es aim  at measuri n g  the degree to  which a data  set confi r ms  a prio ri sp ecif ied schem e.    3.2. Ren y i  E n tropy  and Ov erall Clus ter Qualit y  (OCQ)  A good clu s t e ring result should fit the distrib u ti on of  dataset at most. That is to say the   assignm ent o f  the data sa mples to  whi c h cl uste r  wil l  not violate the structu r e i nherent in th e  data. This id ea ca n be  capture d  math ematically  u s ing co ncepts from inform ation theo ry, and   entropy is u s ed to mea s ure the un ce rtainty.  A well known entropy is  Renyi ’ s entro p. The  definition is:     1 () l o g 0 , 1 1 k k Hx p             ( 9 )     Whe r e  p k  is t he probability mass functi on for the di screte  data.  When  α =2 we  obtain  Renyi’ s quad ratic entro py.   Based  o n  rel a tive criteria,  Ji  He  et al  pr opo sed   a ne w clu s teri ng evaluation   in virtue  o f   Renyi Entro p y  [8].  In their appro a ch, there a r e  two  crite r ia propo sed fo r clu s t e ring eval uati on  and sele ction  of an optimal cluste ring  sc heme, co mpa c tne ss a nd separation [9] .   The co mpa c t ness mea s u r e is based o n  t he gene ral i zed definitio n of the deviation   of a   data set give n by:    2 1 1 () ( , ) N i i de v d x x n X          ( 1 0 )     Whe r e  (, ) ij dx x is a  distan ce m e tric b e twe en t w o ve ctors  x i  and  x j  that  reflect s  thei r  dissimilarity,  N  is the num ber of memb ers in  X  , and   1 i i x Nx is the mean of  X . A smaller  deviation in di cate s a  high e r  ho moge neit y  of the vect ors in th e dat aset. In p a rti c ula r , when  X  is  one-dime nsio nal and  d () i s  the Euclide a n  distan ce,  de v ( X ) be com e s the  stand ard d e viation  of  the data set. The clu s te r compa c tne ss f o r the clu s te r results  C 1 ,  C 2 ,…, C k  is defin ed as:     1 () 1 () () k i i dev C Cmp kd e v X X          ( 1 1 )     Whe r e  k  i s  th e numb e r  of clu s ters ge ne rated o n  the  data set  X ,  dev ( Ci ) is th e  deviation   of the cluste r  , and  dev ( X ) i s  the deviatio n  of the data set  X .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  618 1 –  6189   6186 The clu s te r separation me asu r e u s ed h e re bo rrows the idea in [1 0] and the cl usteri n g   evaluation fu nction introdu ced by [11].  The clu s ter  se paratio n is de fined as:     2 2 11 , (, ) 1 ( ) e xp( ) (1 ) 2 kk ij ij j i dc c Se p kk    X        ( 1 2 )     Whe r e   is a  Gau ssi an  co nstant, to si m p lify the com putation 2 21 ,  k  is  the numb e r  of c l us ters ,  c i  is the  centro id of the  clu s ter  C i   , an d  (, ) ij dc c  is the  dista n ce between   c i  and  c j .  Similar to [10], Ji He comb ined the clu s t e r co mpa c tn ess and cl ust e r se paration  measu r e s  in to   one fo r the e a se  of evalua ting the ove r a ll perfo rm a n ce. The  com b i nation, na me d overall cl uster  quality(O C Q ) , is defined a s :     () () ( 1 ) ( ) Ocq C mp S e p   X XX        ( 1 3 )     Whe r e  [0 , 1 ]   is the  wei ght that  balan ce s  cl uste r co mpactn ess and clu s ter  sep a ratio n . For exampl e,  Ocq (0.5 ) give s equ al wei g h t s to the two measures.     3.3. Simplifie d Ov erall Cluster  Qualit y  (SOCQ )   The cl uste r  compa c tne ss i s  go od when  the value of   Cm p ( X ) i s  small, and  so  is the   clu s ter  se pa ration. Clu s te r is  well  se parated if the val ue of  Sep ( X ) is small.  And well separated   c l us ters  indicate large inter-dis tan c e  of  clu s ter  ce nters, which resu lt in a  small v a lue of  Se p ( X )  due to th e  monoton ou s  decrea s e  of  Gau ss fu ncti on. So, in th e wh ole, the  OCQ de cre a se s  monoton ou sl y with the increase of clu s te r co mpa c tne ss a nd cl uste r sep a ration.   But it is  well  kn own that,  the exp one nt functio n  i n   Sep ( X )  ha s a  hig h   co mputation   compl e xity. And,  the  Sep ( X ) i s  de sign to  refl ect the effe cts of inte r-clu s ter di sta n ce,   simultan eou sl y with a sa m e  monoto nou s prope rty as  Cm p ( X ). So, we  can d e si gn a ne w O C Q   index, call ed  Simplified O C Q  or S O CQ , whi c h di sc a r ds the  expo nent fun c tion,  and j u st  re serve  the  2 (, ) ij dc c , then the  Sep ( X ) i s :     2 11 , 1 () ( , ) (1 ) kk ij ij j i Se p d c c kk   X           (14 )     Then, the   Sep ( X )  will in creases mon o tonou sly with   the  in cre a se  of the squa re  of inter- clu s ter di stan ce. So, to not destroy the  whol e monot onou s prope rty of  SOCQ, whi c h mea n s its   two part s  hav e the same m onoton ou s property, we de fine the  SOCQ ( X ) as  follows :     () () ( 1 ) ( ) Ocq C mp S e p   X XX        ( 1 5 )     Whe r e  0.5 . Therefore, SO CQ  increa se s m onoton ou sly with the in cre a se  of clu s ter  comp actn ess and clu s ter  separation. It is  noted that  SOCQ may b e  a negative  value.      4. Experiment        Figure 4. Parts of Image s in Image Set 2  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Whi c h Repre s entatio n to Cho o se for Im age Cluste r (Haoli n  Gao )   6187 We  cho o se f our  cate gori e s an d 75  im age s total, called ima ge  set 2 fo r exp e rime nts,  parts of ima g e s a r e  sh owe d  in Fig u re  4,  the 4  ca teg o r ies in clude s  ‘comp e re’, ‘si nger’, ‘ r ice’ a n d   ’sports’   The  rea s o n  f o r  cho o si ng t hese ima g e s   is that  th ey h a ve hig h  intra-cl ass  simil a rity and   low i n ter-cl ass  simila rity. It is very  suita b l e  to  cl u s ter  a nd te st the  di stinct  ability o f  image fe ature.  We p e rfo r m i m age  retriev a l with a  sam e  que ry imag e, and the re sults  are  sh o w ed  re spe c ti vely  in Figure 5.        (a)     (b)   Figure 5. The  Retrieval Re sult of Image  Set 2;  (a) HS V color hi stog ram, (b ) Gab o r texture       We can se e explicitly  that  t he col o r feat ure d o  bette r  than texture f r om the t w o retrieval  results, this ill ustrate s  that  colo r featu r e  have  a st ron g  distingui sh  a b ility than texture featu r e f o r   the spe c ific q uery imag e, i.e. the first image in two fig u re s.  We al so plot  the distan ce  betwee n  the  first image  and all the o t her imag es,  and the  fitting curve i s  also showe d  in the Figu re 6. We  can  see that the r e are o b viou s step in all th ree   fitting curve, whi c h ide n tifies the inte r-class dista n ce  is high. Con t rastingly, the  steps i n  fitting   curve s  of ima ge set 1 a r e q u ite unobvio u s  in Figu re 2.         (a)     (b)     Figure 6. The  Distan ce b e twee n the 56t h Image and  other Imag es;  (a) HSV colo r histog ram, (b)  Gabo r texture           From  the s e t h ree  di stan ce  figures,  we  can  sa y  that   the step of co lor  fe ature   o r   texture   feature i s  hig her tha n  sh a pe feature, which m ean s that the inter-cla ss di stan ce of colo r an d  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  618 1 –  6189   6188 texture is bi gger than  sh ape. To  calculate t he O C Q  i ndex  va lue  of clu s te ring re sults, we   clu s terin g  im age  set 2  with the ge neral  clu s terin g  al gorithm,  k-m ean s, and  ge t the values  o f  all  three featu r e s  for 20 time s. The results are sho w ed i n  Figure 7. It can b e  seen  that, the values  of sh ape  i s  bi gge st an d  col o r i s  th e  sma llest, which  mean  that th e qu ality of  color cl uste rin g  i s   best, and that  of shape i s  worst.    Similarly, we   cal c ulate  the  SOCQ  index  value  of clu s t e ring   results, we clu s teri ng   image   set 2 al so  with k-m ean s, and get the i ndex value s   of all three f eature s  for  2 0  clu s teri ng. The   results are  showed i n  Fig u re  8. It can  be  see n  t hat,  the  relative  relation ship  in  num bers  of t he  three featu r e s  is op po sitio n  to that of Figure  7,  but they mean sam e  clu s teri ng e ffects, the col o r  clu s terin g  achieves the b e s t effect, the sha pe cl uste ring the wo rst.         (a)     (b)     Figure 7. The  OCQ Index  Value of Image Set  2  Figure 8. The  SOCQ Index  Value of Image Set  2              5. Conclusio n   This  pap er  introdu ce s S O CQ t o  tackle the  pro b lem of  cho o sin g  which  image   rep r e s entatio n  to cluste r. The  im age repre s e n tati on  with hi ghe r  value is bett e r fo r  cluste ri ng,  becau se it is more disti ngui sha b le than othe rs.  SOCQ is dif f erent from  OCQ n o t only in   comp utation  compl e xity, but also it  can  wo rk b e fo re  clu s te ring,  which  is different from  cl uste r  validation m e thods. S o , it i s   conve n ient  for d e te rmi n ing a  be st im age  rep r e s e n t ation to  clu s ter.   Thoug h so m e times  several feature s  are use d  to  clu s ter tog e ther,  we ca n wei ght them in the   orde r of SOCQ value.   The limitation  of SOCQ i s  t hat cl ass la b e ls  need  to b e  provided, th at is to  say th e imag e   set ha s to be  labele d  first. If only parts of  an image  set  are lab e led,  SOCQ  can  al so  work, it ca n  cho o se a  bet ter rep r e s ent ation o n  thi s   small  sub s et, then  u s e th e result to  cl uster the  wh ole   image set. This is be ca use the inner  stru cture of a n  image set is sta b le.      Ackn o w l e dg ements   This work wa s su ppo rted b y  Nature Sci e nce Fo und ation of Chin a No. 60872 142.       Referen ces   [1]  Guoju n  G, Ch aoq un M, Ji an hon g W ,  Data  Clusteri ng: T heor y ,  Alg o rith ms, and A ppl ic ations. Soc i et y  for Industrial a nd App lie d Mat hematics.  Phi l a del phi a, Penns ylv ani a. 20 07.   [2]  Halki d i M, Vazirgi a n n is M.  A data set oriente d  ap p r oach for clu s tering a l gor ithm se lecti o n .  Procee din g s of  the 5th Eur o p ean  Confer enc e on Pri n ci ples  of Data Min i n g  and K n o w l e dg e Discov e r y .   200 1.  [3]  Jain AK, Murt y  MN, Fly nn PJ . Data clustering: A revie w .  A C M Co mputi n g  Surveys . 1999 ; 31(3): 264- 323.   [4]  Krinid is S, Krin idis M, Chatzis  V. An Uns upe rvised Imag e Clusteri ng Met hod Bas ed o n   EEMD Imag e   Histogr am.  Jou r nal of Infor m at ion Hi di ng a nd  Multi m ed ia Si g nal Proc essin g . 2012: 3(2): 15 1-16 3.  [5]  Jain AK. Data  Clusteri ng: 50  Years be yo n d  K-Means.  Pattern Rec ogn itio n . 2009.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Whi c h Repre s entatio n to Cho o se for Im age Cluste r (Haoli n  Gao )   6189 [6]  Z hu S X , Hu B.  H y brid  F eatur e  Selecti on B a s ed o n  Improv e d  Gen e tic Alg o r ithm.  Indon esi an Jo urn a l  of  Electrical E ngi neer ing . 2 013;  11(4): 17 25- 17 30.   [7]  Li JZ , Meng XR, W en J.   An Improved Met hod of SVM-B PSO F eature Selecti on Bas ed on C l o u d   Mode l.  Indon e s ian Jo urna l of Electrical E ngi neer ing.  2 014; 12(5):  39 79- 39 86.   [8]  He J, T an A H , Ch e w -L im T an. Mod i fie d  A R T  2A Gro w in g N e t w ork  Ca pab le  of Ge ne rating  a  F i xe d   Numb er of Nod e s.  IEEE Transactions on Neural Networks . 2004; (15) 3: 728 -737.   [9]  Michael JA Berry ,  Li noff G. Data Mi nin g  T e chn i qu es F o r  marketin g, Sa les a nd  Custo m er Sup port.   John W ill e y  & Sons, Inc. 199 6.  [10]  Halki d i M, Vaz i rgia nn is M, Batistakis I. Q ualit y schem e a ssessment in t he cluster i n g  p r ocess.  Proc.  4th Eur. Conf. Princip l es a nd  Practi ce of Kno w ledge D i scov e ry in Data bas es . 2000: 6 5–2 76.   [11]  Gokca y E, Pr in cipe  J. A  ne w   clusteri ng  ev a l uatio n fu nctio n  usi n g  Re n y i’s   informati on  pot entai n.  Proc.  Int. Conf. Acoust., Speech, Signal Processing . 2000.     Evaluation Warning : The document was created with Spire.PDF for Python.