基于聚類(lèi)的圖像分割和分類(lèi)器設(shè)計(jì)的研究.pdf

1、傳統(tǒng)模式識(shí)別領(lǐng)域包含兩個(gè)重要的研究主題，即無(wú)監(jiān)督型聚類(lèi)和監(jiān)督型分類(lèi)。無(wú)監(jiān)督型聚類(lèi)旨在利用樣本間的相似性，把具有相同特性的樣本分到同一個(gè)具有某種意義的簇中，從而發(fā)現(xiàn)樣本的潛在分布結(jié)構(gòu)，更好地理解和分析數(shù)據(jù)；監(jiān)督型分類(lèi)旨在根據(jù)給定的數(shù)據(jù)及其類(lèi)標(biāo)號(hào)設(shè)計(jì)出類(lèi)判別函數(shù)，從而能對(duì)未知樣本的類(lèi)別做出正確的預(yù)測(cè)。
　　 本文工作包含兩個(gè)部分，其第一部分集中在當(dāng)樣本無(wú)類(lèi)信息給定時(shí)，力圖設(shè)計(jì)出快速且魯棒的無(wú)監(jiān)督型聚類(lèi)算法，使其能有效應(yīng)用于圖像分割。

2、而第二部分則集中在當(dāng)樣本有類(lèi)信息給定時(shí)，力圖設(shè)計(jì)出既能揭示數(shù)據(jù)的結(jié)構(gòu)分布又能有效預(yù)測(cè)樣本類(lèi)別歸屬的算法。本文的創(chuàng)新性成果主要包括：
　　 1、提出了一種快速且魯棒的圖像分割框架。該框架具有兩個(gè)顯著的特點(diǎn)：（1）通過(guò)融合圖像的灰度信息和空間信息設(shè)計(jì)出相似性度量，并利用該度量達(dá)到去除圖像噪聲和保留圖像細(xì)節(jié)的雙重目的；（2）采用快速分割的思想使分割過(guò)程僅與圖像的灰度級(jí)個(gè)數(shù)Q有關(guān)，而與像素個(gè)數(shù)（N>>Q）無(wú)關(guān)，從而大大減小分割時(shí)間的復(fù)雜

3、度。利用模糊C均值和高斯混合模型驗(yàn)證了該框架的可行性和有效性。
　　 2、設(shè)計(jì)了一種魯棒的模糊關(guān)系分類(lèi)器。該分類(lèi)器不僅能揭示數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和決策數(shù)據(jù)的類(lèi)別歸屬，而且能進(jìn)一步利用聚類(lèi)結(jié)構(gòu)和類(lèi)別之間的邏輯關(guān)系來(lái)幫助理解分類(lèi)結(jié)果。由于該方法能有效地處理含有野值點(diǎn)的數(shù)據(jù)和含有非球狀結(jié)構(gòu)的數(shù)據(jù)，因此具有較強(qiáng)的魯棒性和較好的適用性。
　　 3、設(shè)計(jì)了一種簡(jiǎn)單且有效的增強(qiáng)型模糊關(guān)系分類(lèi)器。該分類(lèi)器根據(jù)樣本的聚類(lèi)隸屬度，選擇部分具有代表

4、性的樣本來(lái)構(gòu)造聚類(lèi)與類(lèi)別之間的邏輯關(guān)系，達(dá)到提高分類(lèi)器魯棒性、有效性和減小算法時(shí)間復(fù)雜性的目的。
　　 4、設(shè)計(jì)了一個(gè)單目標(biāo)同時(shí)聚類(lèi)和分類(lèi)學(xué)習(xí)框架SCC。SCC可同時(shí)完成以下三個(gè)工作：（1）監(jiān)督型魯棒的聚類(lèi)學(xué)習(xí)；（2）有效的分類(lèi)學(xué)習(xí)及其結(jié)果的解釋和分析；（3）聚類(lèi)和類(lèi)別間潛在關(guān)系的顯式揭示。在SCC的基礎(chǔ)上，進(jìn)一步提出了多目標(biāo)同時(shí)聚類(lèi)和分類(lèi)學(xué)習(xí)框架MSCC。與SCC相比，MSCC有以下兩個(gè)顯著優(yōu)勢(shì)：（1）用多目標(biāo)形式刻畫(huà)聚類(lèi)和分

5、類(lèi)問(wèn)題，達(dá)到去除SCC中參數(shù)β的目的；（2）MSCC擴(kuò)大了SCC的解空間，因而可以獲得更優(yōu)的分類(lèi)和聚類(lèi)性能。
　　 5、設(shè)計(jì)了一個(gè)同時(shí)實(shí)現(xiàn)聚類(lèi)學(xué)習(xí)、分類(lèi)學(xué)習(xí)和度量學(xué)習(xí)的一般框架。這里的0度量學(xué)習(xí)可以等價(jià)為特征權(quán)值的學(xué)習(xí)。因此，該框架可同時(shí)達(dá)成如下四個(gè)目標(biāo)：（1）學(xué)習(xí)出有效的特征權(quán)值來(lái)反映特征的重要程度；（2）在線(xiàn)性變換后的特征空間中，實(shí)現(xiàn)有效的聚類(lèi)學(xué)習(xí)；（3）基于新空間中的聚類(lèi)結(jié)構(gòu)，設(shè)計(jì)出有效的分類(lèi)策略；（4）揭示出新空間中的聚