改進(jìn)的近鄰傳播算法及其在圖像處理中的應(yīng)用.pdf

1、“物以類聚,人以群分”,聚類分析是一種常見(jiàn)的人類活動(dòng),其用途是十分廣泛的,如應(yīng)用在文本挖掘,圖像處理等領(lǐng)域。近鄰傳播聚類算法( Affinity Propagation clustering, AP)是Frey和Dueck在2007年發(fā)表于Science上的一種新型無(wú)監(jiān)督聚類算法,該算法無(wú)需指定聚類個(gè)數(shù),只需構(gòu)造相似度矩陣,便可通過(guò)消息傳遞機(jī)制,自動(dòng)確定合適的類代表點(diǎn),并將其余數(shù)據(jù)分配到與其相似度最大的代表點(diǎn)所屬的類別,最終使得所有數(shù)據(jù)

2、與自己的類代表點(diǎn)相似度之和最大。在AP算法中,初始時(shí)將相似度矩陣對(duì)角線上的偏向參數(shù)Preference設(shè)置為相同的值,表明所有數(shù)據(jù)成為類代表點(diǎn)的可能性相同,但是這種初始化設(shè)置方式是有缺陷的,因?yàn)楫?dāng)該數(shù)據(jù)點(diǎn)周圍的數(shù)據(jù)個(gè)數(shù)越多時(shí),它成為類代表點(diǎn)的可能性要大于那些周圍數(shù)據(jù)個(gè)數(shù)少的數(shù)據(jù)點(diǎn)。本文主要工作如下:
　　首先,借鑒密度聚類的思想,統(tǒng)計(jì)每個(gè)數(shù)據(jù)點(diǎn)在其ε鄰域內(nèi)所包含的數(shù)據(jù)個(gè)數(shù),給出了一個(gè)設(shè)置 Preference值的方法,從而提出了一

3、種改進(jìn)相似度矩陣的 AP算法(Modified-Similarity based AP, MSAP)。
　　其次,將MSAP算法應(yīng)用于圖像分割中,給出了利用圖像的灰度直方圖提取原圖像中核心灰度值代替所有像素點(diǎn)作為聚類數(shù)據(jù)的方法,從而在保證數(shù)據(jù)質(zhì)量的同時(shí)使數(shù)據(jù)規(guī)模大大降低,在此基礎(chǔ)上,給出了MSAP算法用于圖像分割中的相似度矩陣構(gòu)造方法,同時(shí),給出了一個(gè)新的準(zhǔn)則作為分割效果的評(píng)價(jià)標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果表明所提算法可以有效處理圖像分割問(wèn)題,比

4、 AP算法收斂更快、分割效果更好。
　　最后,將MSAP算法應(yīng)用于圖像聚類中,給出了顏色空間非均勻量化后的分塊加權(quán)的顏色直方圖特征的提取方法,在此基礎(chǔ)上,提出了一個(gè)利用MSAP算法對(duì)圖像聚類的算法,該算法首先采用MSAP算法進(jìn)行初步聚類,再得到的若干優(yōu)秀代表中隨機(jī)抽取個(gè)作為 K-means的初始聚類中心,進(jìn)行二次聚類,既大大降低了K-means隨機(jī)初始中心對(duì)結(jié)果的影響,又解決了聚類數(shù)目不準(zhǔn)確的問(wèn)題。實(shí)驗(yàn)結(jié)果表明,所提算法收斂更快,