【摘要】：提出了一種基于多層次聚類的算法,此算法相對傳統(tǒng)算法降低了空間和時間復(fù)雜度,并減少了對參數(shù)的敏感度,適合處理大規(guī)模數(shù)據(jù)集.該算法包括粗分、代表點聚類和細(xì)分三個階段.首先,利用親和傳播聚類(AP)算法對所有數(shù)據(jù)進(jìn)行粗分,為了節(jié)省空間和時間,僅考慮每個點和離自己最近的t個近鄰之間的相似度,所以構(gòu)造的相似度矩陣遠(yuǎn)遠(yuǎn)小于原始AP算法所構(gòu)造的相似度矩陣;其次,為了進(jìn)一步提高效率和性能,在第二階段采用密度峰值算法(FDP)對上一階段所得結(jié)果進(jìn)行再劃分;最后,結(jié)合兩個階段劃分的結(jié)果得到所有數(shù)據(jù)的劃分.實驗表明:所提算法可以快速準(zhǔn)確地進(jìn)行圖像分割,和經(jīng)典聚類算法FCM(模糊C均值)、Kmeans以及SOM(自組織映射)的對比實驗也證明了所提算法的有效性.
[Abstract]:An algorithm based on multi-level clustering is proposed, which reduces the complexity of space and time, reduces the sensitivity of parameters, and is suitable for dealing with large-scale data sets. The algorithm includes three stages: coarse division, point clustering and subdivision. Firstly, the affinity propagation clustering (AP) algorithm is used to divide all the data. In order to save space and time, only the similarity between each point and the nearest neighbor is considered. Therefore, the constructed similarity matrix is much smaller than that constructed by the original AP algorithm. Secondly, in order to further improve the efficiency and performance, the density peak algorithm (FDP) is used to subdivide the results of the previous stage in the second stage. Combined with the result of two stages division, all the data are divided. The experimental results show that the proposed algorithm can segment images quickly and accurately, and compared with the classical clustering algorithms FCM (fuzzy C-means) and SOM (self-organizing mapping), the effectiveness of the proposed algorithm is also proved.
【作者單位】： 西安電子科技大學(xué)計算機學(xué)院;西北師范大學(xué)計算機科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項目(61272119,61402350,61662068)
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李仲;圖像分割的妙法[J];電腦知識與技術(shù);2000年S2期

2 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學(xué)院學(xué)報;2007年02期

3 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

4 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動化;2009年11期

5 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國科學(xué)技術(shù)大學(xué)學(xué)報;2010年02期

6 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

7 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國圖象圖形學(xué)報;2011年05期

8 張甫;李興來;陳佳君;;淺談圖像分割方法的研究運用[J];科技創(chuàng)新與應(yīng)用;2012年04期

9 汪梅;何高明;賀杰;;常見圖像分割的技術(shù)分析與比較[J];計算機光盤軟件與應(yīng)用;2013年06期

10 魏慶;盧照敢;邵超;;基于復(fù)雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計算機工程與應(yīng)用;2013年16期

相關(guān)會議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國高校通信類院系學(xué)術(shù)研討會論文集（下冊）[C];2009年

2 楊暄;郭成安;李建華;;改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國信號處理學(xué)術(shù)年會（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會影像技術(shù)分會第十七次全國學(xué)術(shù)大會論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學(xué)術(shù)論壇（交通運輸工程學(xué)科）論文集（下冊）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進(jìn)展[A];中華中醫(yī)藥學(xué)會中醫(yī)診斷學(xué)分會第十次學(xué)術(shù)研討會論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學(xué)CT中的應(yīng)用[A];中國自動化學(xué)會控制理論專業(yè)委員會A卷[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學(xué);2014年

2 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學(xué);2014年

3 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學(xué);2014年

4 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學(xué);2013年

5 李偉斌;圖像分割中的變分模型與快速算法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

6 鄧曉政;基于免疫克隆選擇優(yōu)化和譜聚類的復(fù)雜圖像分割[D];西安電子科技大學(xué);2014年

7 李積英;融合量子衍生及DNA計算速率的智能算法在圖像分割中的研究[D];蘭州交通大學(xué);2014年

8 王曉坤;基于寬視場拼接成像的目標(biāo)分割與跟蹤算法研究[D];長春理工大學(xué);2016年

9 吳永飛;圖像分割的變分模型及數(shù)值實現(xiàn)[D];重慶大學(xué);2016年

10 李忠兵;聚焦超聲無創(chuàng)治療腫瘤的超聲圖像分割方法研究[D];武漢大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王聰聰;手機上的交互式圖像分割方法研究[D];華中科技大學(xué);2013年

2 廖小波;基于貝葉斯最優(yōu)統(tǒng)計的圖切法圖像分割研究[D];昆明理工大學(xué);2015年

3 姜士輝;基于Android系統(tǒng)的立木圖像分割方法研究[D];東北林業(yè)大學(xué);2015年

4 路亞緹;基于粒子群優(yōu)化算法的最大熵多閾值圖像分割研究[D];鄭州大學(xué);2015年

5 劉超;基于閾值圖像分割的研究及在蘋果定位中的應(yīng)用[D];東華理工大學(xué);2015年

6 何妮;結(jié)合顯著性目標(biāo)檢測與圖像分割的服飾提取算法研究及實現(xiàn)[D];西南交通大學(xué);2015年

7 劉曉磊;基于MRF隨機場模型的機器人視覺圖像分割方法研究[D];西安建筑科技大學(xué);2015年

8 王周楠;數(shù)字圖像處理的研究仿真[D];中國地質(zhì)大學(xué)(北京);2015年

9 許素素;改進(jìn)的模糊C均值聚類算法在圖像分割中的應(yīng)用[D];長安大學(xué);2015年

10 齊國紅;基于FCM和SVM相結(jié)合的作物病害圖像分割方法研究[D];鄭州大學(xué);2015年

，

本文編號：2231292