圖像分割是一種重要的預(yù)處理技術(shù),被廣泛地應(yīng)用于計算機視覺的各個領(lǐng)域。隨著人工智能的發(fā)展對圖像研究方法的需求量在不斷增加,各類圖像分割方法層出不窮,其中基于聚類的圖像分割方法由于思想簡單,得到了研究者極高的重視。因此論文在前人研究的基礎(chǔ)上結(jié)合密度峰值聚類的優(yōu)勢提出了新的圖像分割算法。論文主要內(nèi)容包括:1.論文提出基于密度峰值聚類的圖像分割算法。論文首先針對傳統(tǒng)的密度峰值聚類的截斷距離依據(jù)經(jīng)驗取值以及其聚類中心靠人工選取的弊端,提出了改進的密度峰值聚類方法:通過引入信息熵來獲得自適應(yīng)的截斷距離,同時根據(jù)斜率來自動選取聚類中心。然后,將改進的密度峰值聚類算法應(yīng)用到彩色圖像分割上。該方法首先將圖像的像素點作為密度峰值聚類的數(shù)據(jù)輸入,通過密度峰值聚類處理后,將聚類產(chǎn)生的子集用不同的顏色標示,然后尋找目標對應(yīng)的子集并展示從而實現(xiàn)圖像分割。最后,實驗驗證了該方法的可行性。2.針對在基于密度峰值聚類的圖像分割算法中分割圖片時間開銷大的問題,論文提出了基于網(wǎng)格和密度峰值聚類的圖像分割算法。網(wǎng)格可以在一定程度上將大數(shù)據(jù)量轉(zhuǎn)換為小數(shù)據(jù)量。該方法將網(wǎng)格思想應(yīng)用于圖像分割的預(yù)處理部分,首先將圖像進行規(guī)則化的網(wǎng)格... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

數(shù)據(jù)分布圖

17圖 2.2 決策圖中得到聚類中心后，對于其他非聚類中心的樣本點按序依次將其劃分到密度更高且距離最近的聚類中，得到法具有優(yōu)良的性能，但也存在如下不足：1)度量樣本密果的不同；2)局部密度的大小易受截斷距離的影響；3)連帶錯誤，即一個樣本的分配錯誤，會導(dǎo)致一系列分配理論中，信息熵經(jīng)常作為一種度量系統(tǒng)不確定性的度量方屬性取值的不確定性程度越大，表明系統(tǒng)越混亂，在該

思路直觀明快，容易理解 時間復(fù)雜度高DPC 極其容易受到截斷距離 dc的影響，在聚類時截斷距離 dc取得過大或者小都會影響聚類效果。在極端的情況下，如果 dc小于樣本點間的最小距離時，個數(shù)據(jù)點單獨是一類；而如果 dc大于樣本點間最大距離，整個數(shù)據(jù)集為一類。獻[47]建議選取將樣本點根據(jù)距離升序排列后的前 2%處樣本點的距離。在真實據(jù)集上 DPC 按照該原則來選取的 dc聚類效果可能不夠好。將密度峰值聚類局部度和相對距離分別為橫軸和豎軸畫出決策圖，一般人工選取局部密度和相對距較大的點作為聚類中心，這種選取聚類中心的方法很容易造成中心選取失效。真實數(shù)據(jù)集上，DPC 的這兩種弊端較易造成聚類效果差。圖 3.1 為真實數(shù)據(jù)集截斷距離選取 2%時的錯誤聚類效果展示。在圖 3.1 中明顯可惜觀察出傳統(tǒng)的 D有將明顯是一類數(shù)據(jù)錯誤的劃分為了兩類，聚類邊界交叉，數(shù)據(jù)混亂等弊端。


本文編號：2994302