復(fù)雜結(jié)構(gòu)的聚類學(xué)習(xí)及圖像分割研究.pdf

1、所謂復(fù)雜結(jié)構(gòu)，形象地說，即指隱藏于數(shù)據(jù)集內(nèi)的聚類：?。┓植夹螤罡鳟?，除了緊性云狀的凸分布之外，更多的是流形狀的非凸分布； ⅱ）含有大量噪聲或野值； ⅲ）重疊或相交；ⅳ）密度分布非常不均；ⅴ）規(guī)模相當(dāng)大。最典型的例子就是數(shù)字圖像數(shù)據(jù)。從數(shù)據(jù)形態(tài)而言，它們外在地表現(xiàn)為“類內(nèi)相似性”小于“類間相似性”，這違反常規(guī)意義下“聚類”的目的。因此，現(xiàn)有的聚類算法大都無法對此獲得滿意的聚類或分割結(jié)果。于是，復(fù)雜結(jié)構(gòu)的聚類學(xué)習(xí)成為了當(dāng)今數(shù)據(jù)挖掘和圖像分割

2、應(yīng)用領(lǐng)域的研究熱點(diǎn)和主流之一。 本文針對這種“類內(nèi)相異、類間相似”的復(fù)雜結(jié)構(gòu)聚類問題進(jìn)行了較深入的思考和研究，提出了相應(yīng)的快速有效的復(fù)雜結(jié)構(gòu)聚類算法，并將部分算法成功地應(yīng)用于灰度圖像分割，其創(chuàng)新性研究成果主要分為兩部分： 第一部分. 復(fù)雜結(jié)構(gòu)的聚類： (1)提出了一個(gè)基于結(jié)構(gòu)連通的啟發(fā)式聚類算法，具體包括：1）充分挖掘數(shù)據(jù)的結(jié)構(gòu)性信息，引出鄰域密度指標(biāo)和基于多項(xiàng)式核的鄰域密度指標(biāo)，將數(shù)據(jù)分為質(zhì)心、轂和野值；2）

3、構(gòu)建質(zhì)心點(diǎn)之間的連通性，建立一個(gè)基于路徑的規(guī)范化結(jié)構(gòu)性度量，進(jìn)行啟發(fā)式聚類；3）實(shí)驗(yàn)分析表明該算法抗噪性能較強(qiáng)、能快速有效地發(fā)現(xiàn)多種形狀的聚類、并能有效分離重疊聚類。 (2)提出了兩個(gè)基于結(jié)構(gòu)一致的緊性準(zhǔn)則聚類算法，具體包括：1) 建立基于密度一致的相似性準(zhǔn)則；2）建立基于流形一致的相似性準(zhǔn)則；3）定義相應(yīng)的兩種相似性矩陣，分別嵌入到模糊C均值和基于規(guī)范化割的譜聚類算法中；4）實(shí)驗(yàn)分析表明改進(jìn)后的兩個(gè)緊性準(zhǔn)則聚類算法抗噪性能較

4、強(qiáng)、能有效地發(fā)現(xiàn)密度不均的多種形狀的聚類、并能分離交叉聚類。 第二部分. 復(fù)雜結(jié)構(gòu)的圖像分割： (1)提出了一個(gè)基于灰度鄰域的有向樹圖像分割算法，具體包括：1）構(gòu)造基于灰度鄰域的密度因子，將所有灰度分為稠密灰度（具有繁殖能力）和稀疏灰度（不具有繁殖能力）；2）尋找稠密灰度為根結(jié)點(diǎn)構(gòu)建有向樹，生長在同一棵有向樹上的灰度對應(yīng)的像素集合為一個(gè)分割區(qū)域；3）該算法具有獨(dú)立于圖像大小的計(jì)算復(fù)雜度；4）實(shí)驗(yàn)分割結(jié)果表明該算法對初始

5、根結(jié)點(diǎn)的選取魯棒，并能很好地保留圖像中的細(xì)節(jié)內(nèi)容。 (2)提出了一個(gè)基于尺度的一致連通樹圖像分割算法，具體包括：1）構(gòu)造出關(guān)于各個(gè)像素點(diǎn)的鄰域一致性因子，將所有像素分為種子像素（具有繁殖能力）和非種子像素（不具有繁殖能力）；2）定義一致連通性分割準(zhǔn)則，引出等價(jià)類和一致類的概念，從理論上保證任意一幅圖像可分；3）尋找種子像素為根結(jié)點(diǎn)構(gòu)建一致連通樹，生長在同一棵一致連通樹上的像素集合為一個(gè)分割區(qū)域；4）該算法具有線性于圖像大小的計(jì)