一种基于类别融合的模糊最小最大聚类算法

提出了一种新型的基于类别融合的模糊最小最大聚类算法,该算法首先使用初始类别生成子算法对归一化后的数据集进行预处理,从而生成一系列初始模式类别;然后利用类别融合子算法,将类别融合问题转化为求一无向图的连通子图问题,从而得出在同一连通子图中的点融合为同一类,连通子图的数目为最终的聚类数目、仿真结果表明,在处理未知模式类别数目且数据样本任意分布的数据集时,该算法明显优于传统的模糊C均值算法。

分层模糊最小-最大聚类算法

聚类是非监督学习的关键问题.本文在模糊最小-最大聚类网络(FMMCN)和分层聚类思想的基础上,提出一种分层模糊最小-最大聚类算法.与目前的常用聚类算法相比,该方法可以根据问题需要动态确定聚类数目,并克服 FMMCN 样本输入次序依赖性的缺陷.对相关数据集的实验结果表明该方法具有优良的聚类性能.

基于文字穿越线和笔画连通性的视频文字提取方法

视频文字自动提取对提高视频内容的整体理解程度具有重要意义.在复杂背景下,现有提取方法难以稳健地定位文字和有效抑制背景干扰.我们提出一种复杂背景下稳健的视频文字提取方法,首先利用小波变换和非监督聚类方法获得候选文字区域;其次,引入穿越线及其幅度谱概念,通过提取穿越线特征进行聚类定位单行文字;最后,充分考虑到文字笔画的连通性,引入重线概念,通过检测重线获取文字像素关键点,从关键点出发进行区域生长,结合启发式规则,完成二值化过程.实验表明,该方法能够在复杂背景下得到较理想的文字二值化图像,不受文字颜色、字体、大小等因素的影响,性能优于文献[7]和文献[8]提出的方法.

基于小波变换与穿越线的视频文字定位方法

在复杂背景下,传统的视频文字自动定位方法难以稳健地定位文字。文章提出一种基于小波变换和穿越线的视频文字定位方法,该方法分为两个阶段,在第一阶段,利用小波变换和非监督聚类方法来获得候选文字区域;在第二阶段,引入穿越线和及其幅度谱概念,通过提取穿越线特征进行聚类来定位单行文字。实验表明,该方法能够在复杂背景下有效定位文字,不受文字颜色、字体、大小等因素的影响,性能优于文献[5]和文献[7]提出的方法。