幾種聚類算法的改進及其在圖像分割中的應用.pdf

1、聚類是數(shù)據(jù)挖掘中一種重要的數(shù)據(jù)分析方法。它是利用數(shù)據(jù)之間的相似關(guān)系，將數(shù)據(jù)集劃分成多個類簇，并使得類內(nèi)數(shù)據(jù)點之間的相似度較大，而類間數(shù)據(jù)的相似度較小。聚類分析作為機器學習、模式識別和數(shù)據(jù)挖掘等研究方向的重要研究內(nèi)容之一，引起了學者的廣泛關(guān)注，至今已經(jīng)有了大量的相關(guān)理論和方法。這些方法被應用在市場營銷、生物學、文本分類、網(wǎng)絡安全及圖像處理等其它多個領(lǐng)域。但是，隨著應用領(lǐng)域的逐漸擴大，聚類算法也面臨著諸多挑戰(zhàn)，例如如何處理大規(guī)模數(shù)據(jù)集、怎樣

2、自動確定聚類數(shù)目、是否可以識別任意形狀的類簇以及能否處理復雜類型的數(shù)據(jù)等問題。
　　本文對多種具有代表性的聚類算法進行了深入的研究，并對存在的問題提出了解決辦法，具體的研究成果為：
　　(1)針對譜聚類算法在處理大規(guī)模數(shù)據(jù)集的局限性及相似矩陣中尺度參數(shù)的依賴性問題，提出了一種基于密度信息的快速譜聚類算法，并將該算法應用到圖像分割上。該算法框架主要包含兩個階段：抽樣階段和聚類階段。在抽樣階段，本文提出一種基于簡化的DBSCAN

3、算法的抽樣方法對數(shù)據(jù)集進行粗略劃分，并提取代表點及相應的密度信息。這些代表點組成的集合大小不僅遠遠小于原始數(shù)據(jù)集的規(guī)模，而且保持了數(shù)據(jù)集的原始結(jié)構(gòu)。在聚類階段，首先利用代表點的密度信息構(gòu)造一種新的相似性度量，該度量方法能夠更好的反應代表點之間的相似關(guān)系；接著本文基于經(jīng)典的譜聚類算法框架提出一種新的譜聚類算法，利用該算法對代表點進行劃分；最后結(jié)合抽樣階段的劃分結(jié)果和代表點的聚類結(jié)果得到原始數(shù)據(jù)集的聚類結(jié)果。在人造數(shù)據(jù)集、UCI數(shù)據(jù)集以及紋

4、理圖像上的實驗結(jié)果表明本文提出的算法能夠有效的處理大規(guī)模數(shù)據(jù)集，降低了算法對參數(shù)的依賴性并能夠得到正確率較高的聚類結(jié)果。
　　(2)針對聚類算法中如何自動確定聚類數(shù)目的問題，提出了一種基于正交設(shè)計的均值漂移聚類算法。該算法首先利用正交設(shè)計的方法在數(shù)據(jù)空間中投放若干探測器，將每個探測器作為均值漂移算法的初始點，將它們漂移到附近概率密度函數(shù)的峰值處，然后利用一種基于連接的算法對探測器合并，最后將每個數(shù)據(jù)點分配到離其最近的探測器所在的類