聚類分析在圖像分類中的應(yīng)用研究.pdf

1、到目前為止，圖像的分類識別依然是圖像處理領(lǐng)域中的難點。因為現(xiàn)實世界是多樣的和復(fù)雜的，獲取圖像的途徑也是多種多樣的，這就使得不同的圖像相互之間差別很大，難以用統(tǒng)一的方法和模型描述。 論文中將數(shù)據(jù)挖掘中的聚類分析方法應(yīng)用到圖像分類中。首先對基于密度和密度可達(dá)聚類算法（CADD）進(jìn)行了深入分析并進(jìn)行了大量的實驗驗證，就CADD算法在大型圖像數(shù)據(jù)集中應(yīng)用暴露出來的不足做了四點改進(jìn)。(1) 重寫了“計算并保存相異度矩陣”的代碼，主要是為了

2、降低保存相異度矩陣所占用的內(nèi)存空間。(2) 新程序引入了一個新的參數(shù)——簇個數(shù)閾值。(3) 為了使原CADD算法能夠更有效地處理變密度噪聲和孤立點，改進(jìn)了原有密度可達(dá)距離的計算方法。(4) 新增了一種數(shù)據(jù)對象相似度度量的計算方法——余弦相似度方法。 其次將改進(jìn)了的CADD算法與傳統(tǒng)的聚類算法K-means和層次聚類算法在真彩色BMP位圖的分類中的實驗結(jié)果作了對比分析。得出的結(jié)論是：(1)改進(jìn)了的CADD算法與K-means和層次

3、聚類算法相比，具有較高聚類精度、分辨率。(2)盡管在聚類過程中CADD算法也需要輸入初始參數(shù)：密度參數(shù)σ和初始密度可達(dá)距離調(diào)節(jié)系數(shù)coefR，但實驗研究表明，密度參數(shù)σ的變化對聚類結(jié)果影響不大；根據(jù)其定義，初始密度可達(dá)距離調(diào)節(jié)系數(shù)coefR（0