基于超像素的互惠最近邻聚类彩色图像分割

为了提高图像分割质量,提出一种基于超像素的互惠最近邻聚类彩色图像分割方法。该方法先将图像进行过分割处理构成超像素集,超像素代替原图像像素点作为互惠最近邻聚类的输入数据,以超像素的均值距离和方差融合相邻超像素的边界信息构成一种新的相似度度量,利用互惠最近邻聚类算法实现图像的区域融合。实验证明,该方法不仅实现图像自动分割,并且获得较好的分割质量。

一种互惠最近邻区域合并的超像素生成方法

针对传统超像素生成方法的性能受超像素数目制约,提出一种互惠最近邻区域聚类生成超像素的方法。该方法利用k-means算法将图像细分为大量均匀同质类似单元格的小区域,使用互惠最近邻聚类算法以区域面积为约束条件在小范围搜寻互惠最近邻进行合并,从而生成超像素。通过实验与SLIC(simple linear iterative clustering)比较,结果表明,互惠最近邻区域聚类生成的超像素在较少的超像素数目情况下仍然具有高边界查全率和低欠分割错误的优点,可保持良好的分割质量。

基于改进局部密度的可扩展层次聚类算法

层次聚类是无监督学习的重点研究方向,由于其结果易于分析,因此被广泛应用于数据挖掘领域.目前大多数层次聚类算法都需要根据数据的成对距离进行簇合并操作,因此具有较高的复杂度(不论是时间或空间),无法用于大规模数据的处理.针对以上问题,提出了一种基于改进局部密度的可扩展层次聚类算法(Density-based Scalable Hierarchical Clustering,DBSC).该算法根据数据间的最近邻关系构造最近邻图,并在每个最近邻分量上根据互惠最近邻结点的局部密度选择代表点.为了降低孤立最近邻分量对计算局部密度的干扰,算法利用二阶最近邻将孤立最近邻分量重连至最近邻分量.通过以上步骤算法选择代表点,以迭代的方式自下而上地构建聚类树.大量真实数据集的实验结果表明,该算法可以在保证较高的聚类精度和较快的响应速度的前提下将处理数据的规模提升至数十万项.

基于无人机沙漠图像的道路检测

针对沙漠道路对比度低,遥感影像检测沙漠道路效果差的问题,提出一种基于无人机图像的沙漠道路检测方法。该方法首先采用直方图均衡化增强道路目标,再利用互惠最近邻聚类算法剔除噪声点,最后,通过最小二乘法拟合道路参数。经实验测试,该方法有较高的准确性和鲁棒性,具有较强的应用性。