基于最近共享邻居节点的K-means聚类算法

聚类分析是一种重要的数据挖掘方法。K-means聚类算法在数据挖掘领域具有非常重要的应用价值。针对K-means需要人工设定聚类个数并且易陷入局部极优的缺陷,提出了一种基于最近共享邻近节点的K-means聚类算法(KSNN)。KSNN在数据集中搜索中心点,依据中心点查找数据集个数,为K-means聚类提供参数。从而克服了K-means需要人工设定聚类个数的问题,同时具有较好的全局收敛性。实验证明KSNN算法比K-means、粒子群K-means(pso)以及多中心聚类算法(MCA)有更好的聚类效果。

改进的共享型最近邻居聚类算法

聚类效果往往依赖于密度和相似度的定义,并且当数据的维增加时,其复杂度也随之增加。该文基于共享型最近邻居聚类算法SNN,提出了一种改进的共享型最近邻居聚类算法RSNN,并将RSNN应用于高速公路交通数据集上,解决了SNN算法在“去噪”、孤立点和代表点的判断、聚类效果等方面的不足之处。实验结果表明,RSNN算法比SNN算法在时空数据集上具有更好的聚类效果。

基于多Kinect的三维人脸重建研究

人脸三维数字化在医疗、影视制作和虚拟现实等领域具有重要意义,是计算机视觉研究的热点.为快速、完整、低成本和精确地实现人脸三维数字化,提出一种基于多Kinect的三维数字化系统.首先,连续采集8帧点云信息,避免信息缺失,改进双边滤波算法,对Kinect获取的点云滤波去噪;然后,精简点云拼接区域,先采用点特征直方图在两点云间寻找配准点,构造协方差矩阵,奇异值分解法求解该矩阵,得到初始变换参数,粗拼接点云;再通过改进的共享最近邻居聚类算法加快粗拼接后两点云间的最近点搜索速度,利用改进的最近点迭代算法实现精拼接;最后,实验结果表明:该系统能够快速、完整和精确地三维数字化人脸,达到了实验预期效果.