基于視覺的聚類算法研究及應用.pdf

1、聚類就是按照事物的某些屬性，把事物聚集成類，使類間的相似性盡可能小，類內相似性盡可能大。聚類是一個無監(jiān)督的學習過程，它同分類的根本區(qū)別在于：分類是需要事先知道所依據(jù)的數(shù)據(jù)特征，而聚類是要找到這個數(shù)據(jù)特征，因此，在很多應用中，聚類分析作為一種數(shù)據(jù)預處理過程，是進一步分析和處理數(shù)據(jù)的基礎。 聚類分析是一種重要的人類行為。聚類分析算法取決于數(shù)據(jù)的類型、聚類的目的和應用領域。在當今飛速發(fā)展的數(shù)據(jù)采掘和探查性數(shù)據(jù)分析中，聚類分析技術已廣泛

2、應用于模式識別和圖像處理、生物、心理、計算機視覺和遙感等領域。在實際問題中，傳統(tǒng)的聚類分析技術普遍存在的不足之處主要表現(xiàn)在以下幾個方面：聚類結果對初始化參數(shù)的敏感性和強依賴性；很難定義聚類的有效性問題，合理的聚類數(shù)目難以確定；直接的物理可解釋性較差。 近年來，神經(jīng)生理學的發(fā)展和計算機輔助解剖學的研究提出了幾個相當精確的初級視覺系統(tǒng)計算模型，它們分別建模于視覺系統(tǒng)的不同部分的不同層次。尺度空間理論便是其中之一，它定量地描述由視網(wǎng)膜

3、側向聯(lián)接所造成的圖像模糊化效應。 本文通過視覺原理與尺度空間算法結合，提出視覺系統(tǒng)的結構顯著性假設和穩(wěn)定性假設，利用尺度空間聚類算法，得到不同層次的有效聚類。 1、聚類算法比較聚類算法有很多種，需要根據(jù)應用所涉及的數(shù)據(jù)類型、聚類的目的以及具體應用要求來選擇合適的聚類算法。聚類算法大體可以劃分為以下幾類：劃分方法、層次方法、基于密度的方法、基于網(wǎng)格的方法和基于模型的方法。然后對各種聚類具體算法進行比較，得出不同方法之間在性

4、能上的不同。 2、視覺系統(tǒng)的結構假設通過介紹視覺系統(tǒng)、Weber定律、視覺系統(tǒng)的結構顯著性假設和穩(wěn)定性假設，為下一章尺度空間聚類算法做好鋪墊。視覺系統(tǒng)的結構顯著性假設：那些引起較多神經(jīng)細胞興奮的結構要比那些引起較少神經(jīng)細胞興奮的結構更為重要。視覺系統(tǒng)的結構穩(wěn)定性假設：那些在較大尺度范圍內可觀察到的物體結構較之那些在較小尺度范圍內可觀察到的物體結構更為重要。 3、尺度空間聚類算法首先介紹尺度空間概念，介紹視網(wǎng)膜生物模型，視

5、覺前端系統(tǒng)的尺度空間模型，重點介紹尺度空間聚類算法。尺度空間原理：當尺度參數(shù)充分小時，每一數(shù)據(jù)點是一個類，而當尺度參數(shù)逐漸變大時，小的數(shù)據(jù)類逐漸溶合形成大的數(shù)據(jù)類。這一分類方式所產(chǎn)生的結果構成一樹形圖，結點代表不同尺度聚類的類，父親結點所表示的類由兒子結點所代表的類溶合而成。這一聚類算法屬逐級聚類算法，它包含了數(shù)據(jù)的一系列分類。 4、聚類有效性的問題聚類有效性是聚類分析中一個較為困難的問題，它涉及算法產(chǎn)生的數(shù)據(jù)結構的意義及解釋，