基于多聚类中心的加权聚类铸体薄片图像分割方法

针对人工利用显微镜对岩石铸体薄片进行鉴定的低效和普通聚类分割算法对图像边缘分割效果差的问题,本文从岩石特征出发,提出了一种基于聚类分割算法的多聚类中心加权分割新方法,并使用该方法训练了一个适用于岩石铸体薄片的分割模型。使用该模型可以快速地完成对大量薄片的鉴定任务。该方法通过构建新的聚类距离提升了对薄片各组分边缘和内部的分割效果,将多聚类中心的方法和加权的聚类方法相结合,进一步增强了对薄片边缘部分的分割。利用来自疏松岩心的铸体薄片图像进行分割实验,并将本文提出的聚类分割新方法与普通的聚类分割算法的结果进行比较,发现本文方法的分割误差比普通分割方法的误差最高降幅达37.2%。与现有深度学习分割算法对数据量和数据类型的高要求相比,多聚类中心的加权聚类分割算法更适合地质领域中的分割任务,具有较高的应用价值。

基于流形结构的多聚类中心近邻传播聚类算法

多聚类中心近邻传播聚类算法(MEAP),在处理任意形状具有流形分布结构的数据时,往往得不到理想的聚类结果。为此,基于流形学习的思想,设计了一种全新的相似性度量,该相似性度量能够扩大位于同一流形中数据点间的相似性,同时缩小处于不同流形上数据点间的相似性,从而使得相似性矩阵能够准确地反映数据集内在的流形分布结构。将该相似性度量与MEAP相结合,提出基于流形结构的多聚类中心近邻传播聚类算法MS-MEAP(Manifold Structure based Multi-Exemplar Affinity Propagation),从而有效地拓展了算法处理任意形状具有流形分布结构数据集的能力,同时提高了算法的运行效率。在人工数据集与USPS手写体数据集上进行了实验,仿真实验结果及算法有效性分析证明,MS-MEAP算法相比于原算法在处理任意形状具有流形分布结构的数据时,具有更好的聚类性能。

一种多聚类中心的划分方法

提出了一种多聚类中心的算法(DMC),新算法将原划分算法中每类单个中心替代为多个中心,判断数据归属时以最近中心为目标进行划分,最后对多个中心调整得到聚类结果.实验证明,在不增加算法复杂度的前提下,DMC能够客服划分方法倾向识别大小相近、凸形分布的数据的缺陷,解决不同数据分布的问题,获得良好的聚类效果.

基于多聚类中心的图像检索相关反馈方法

相关反馈技术是基于内容的图像检索领域近期研究的热点之一。现有方法通过用户给出的相关反馈图像来寻求唯一的全局最优检索点与权重。由于图像内在的复杂性,唯一的全局检索点通常难以准确覆盖用户的检索目标子空间,使得反馈对检索效果的改进表现出不稳定性。为解决这一问题,本文使用模糊聚类的方法对反馈图像集进行分析,并在此基础上给出了一个基于反馈图像的多聚类中心的相关反馈方法。实验对比显示,该方法能明显改善图像检索的效果且具有较强的稳定性。