基于聚類的圖像分割和分類器設計的研究.pdf

1、傳統(tǒng)模式識別領域包含兩個重要的研究主題，即無監(jiān)督型聚類和監(jiān)督型分類。無監(jiān)督型聚類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具有某種意義的簇中，從而發(fā)現(xiàn)樣本的潛在分布結構，更好地理解和分析數(shù)據(jù)；監(jiān)督型分類旨在根據(jù)給定的數(shù)據(jù)及其類標號設計出類判別函數(shù)，從而能對未知樣本的類別做出正確的預測。
　　 本文工作包含兩個部分，其第一部分集中在當樣本無類信息給定時，力圖設計出快速且魯棒的無監(jiān)督型聚類算法，使其能有效應用于圖像分割。

2、而第二部分則集中在當樣本有類信息給定時，力圖設計出既能揭示數(shù)據(jù)的結構分布又能有效預測樣本類別歸屬的算法。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。該框架具有兩個顯著的特點：（1）通過融合圖像的灰度信息和空間信息設計出相似性度量，并利用該度量達到去除圖像噪聲和保留圖像細節(jié)的雙重目的；（2）采用快速分割的思想使分割過程僅與圖像的灰度級個數(shù)Q有關，而與像素個數(shù)（N>>Q）無關，從而大大減小分割時間的復雜

3、度。利用模糊C均值和高斯混合模型驗證了該框架的可行性和有效性。
　　 2、設計了一種魯棒的模糊關系分類器。該分類器不僅能揭示數(shù)據(jù)的內在結構和決策數(shù)據(jù)的類別歸屬，而且能進一步利用聚類結構和類別之間的邏輯關系來幫助理解分類結果。由于該方法能有效地處理含有野值點的數(shù)據(jù)和含有非球狀結構的數(shù)據(jù)，因此具有較強的魯棒性和較好的適用性。
　　 3、設計了一種簡單且有效的增強型模糊關系分類器。該分類器根據(jù)樣本的聚類隸屬度，選擇部分具有代表

4、性的樣本來構造聚類與類別之間的邏輯關系，達到提高分類器魯棒性、有效性和減小算法時間復雜性的目的。
　　 4、設計了一個單目標同時聚類和分類學習框架SCC。SCC可同時完成以下三個工作：（1）監(jiān)督型魯棒的聚類學習；（2）有效的分類學習及其結果的解釋和分析；（3）聚類和類別間潛在關系的顯式揭示。在SCC的基礎上，進一步提出了多目標同時聚類和分類學習框架MSCC。與SCC相比，MSCC有以下兩個顯著優(yōu)勢：（1）用多目標形式刻畫聚類和分

5、類問題，達到去除SCC中參數(shù)β的目的；（2）MSCC擴大了SCC的解空間，因而可以獲得更優(yōu)的分類和聚類性能。
　　 5、設計了一個同時實現(xiàn)聚類學習、分類學習和度量學習的一般框架。這里的0度量學習可以等價為特征權值的學習。因此，該框架可同時達成如下四個目標：（1）學習出有效的特征權值來反映特征的重要程度；（2）在線性變換后的特征空間中，實現(xiàn)有效的聚類學習；（3）基于新空間中的聚類結構，設計出有效的分類策略；（4）揭示出新空間中的聚