k-LDCHD——高维空间k邻域局部密度聚类算法

聚类是数据挖掘领域的一项重要课题,高维空间聚类以数据分布稀疏、噪声数据多、“差距趋零现象”而成为难点.在分析现有聚类算法不足的基础上,引入k邻域点集、k邻域半径等概念,提出一种高维空间单参数k邻域局部密度聚类算法kPCLDHD;为了提高算法的效率,进一步定义了参考距离等概念,并采用“双参考数据点”对数据集中的数据对象进行预处理,以减少扫描数据集的开销,提出kPCLDHD的优化算法kLDCHD.理论分析和实验结果表明,算法可以有效解决高维空间聚类问题,算法是有效可行的.

逆向工程中散乱点云的K邻域搜索算法研究

针对逆向工程中散乱点云的K邻域搜索,提出了一种快速、精确的散乱点云K邻域搜索算法。该算法根据点云包围盒的大小,点的总数以及邻域点的个数,采用二次空间划分的策略,以确定合适的立方体小栅格的梭长,从而保证立方体小栅格里点的个数相对均匀。然后,建立以采样点为中心的球体、该点到所对应的立方体小栅格环六壁的距离为半径的取值范围,依次增加该球体的半径,以球体内有K个点为中止条件,可以快速完成采样点的K邻域搜索。与已有算法相比,该算法具有较高的搜索效率。

基于多尺度分解的k邻域随机查找快速图像修复

该文提出一种基于多尺度分解的k邻域随机查找快速图像修复方法。基于双边滤波下采样分解图像,从图像最粗糙层开始,对每一粗糙层采用基于最小堆的k邻域随机查找算法快速搜索最佳匹配块,利用鲁棒优先级函数确定下一待修复块。每一粗糙层修复后用双边滤波上采样重建下一粗糙层,迭代得到最终的修复结果。与相关工作比较,所提方法的修复结果能够保持图像的细节和边缘信息,取得更高的修复质量。利用客观指标评价修复结果。实验结果表明该方法有效易行,修复的图像具有良好的可视效果。

K邻域分块自动加权的单样本人脸识别算法

在人脸识别问题中,当每类训练样本有且仅有一个时,由于类内缺乏足够的特征变化信息来预测人脸复杂的特征变化,从而导致常用分类算法的识别准确率急剧下降。目前最好的解决方法大致可分为两类:一是生成虚拟的训练样本以扩大训练集;二是学习稀疏变化字典以表示复杂特征变化。针对此问题,在引入稀疏变化字典来表示人脸复杂特征变化的基础上,提出一种基于K邻域分块自动加权的单样本识别算法。通过对测试样本进行分块,然后对每一个子分块求K邻域分块,以组成虚拟的同类别测试样本集;同时提出了一种自动加权策略,对这些分块在分类中的比重进行加权,最后通过一种改进的投票机制确定分类结果。通过与已有的单样本识别算法进行比较,并在公共人脸数据库AR、CMU Multi-PIE和ORL上进行实验,结果表明该方法有助于提高单样本识别问题的分类准确率。

一种基于K邻域平均法的小波图像恢复算法

小波图像压缩及图像消噪算法近年来得到了广泛的重视和发展,其处理的核心部分就是图像的边缘,各种算法都会产生图像边缘的锯齿状震荡,即Gibbs现象。针对小波图像压缩中的振荡现象,首先应用Kirsch算子检测图像边缘,然后利用区域内像素灰度的相关性及小波系数的相关性,提出一种基于小波变换的K邻域平均法,最后通过仿真及信噪比的比较说明了此算法的有效性和可行性。

基于K邻域搜索的分层去噪算法研究

激光扫描设备获得的三维点云数据中,往往会存在各种噪声点。本文提出基于k邻域搜索的分层去噪方法。该方法通过对散乱点云数据进行按层次划分并进行存储,将散乱的三维点云数据转变成层次存储的扫描线式三维点云数据结构。通过对数据点k邻域的分析,来判断噪声点并进行去噪工作。对比实验结果表明,该方法有效地删除噪声点,保留物体的几何形状。

基于k邻域离散扩张的点云数据分割

提出了一种基于法矢空间离散扩张的三维点云数据特征分离算法。将三维空间中的点云数据投影到法矢空间中,通过法矢估算与离散扩张的方法从复杂模型中提取具有几何特征的曲面并将其相互分离。实验证明算法能迅速地从海量点云数据中识别并分离具有几何特征的数据点,得到单一特征曲面,并且具有较好的健壮性和算法效率。

一种基于k邻域算法的指纹匹配算法研究

由于指纹的唯一性,指纹识别已成为目前最方便、安全的个人身份鉴定技术之一.而在指纹识别中,指纹匹配的效果最终决定了指纹识别的鉴别率.本文提出了一种基于邻域算法的指纹匹配算法.实验证明,该方法有效实用.

一种新的模糊K邻域矢量量化码本设计算法

本文提出了一种新的模糊K邻域矢量量化码本设计算法(FKNNVQ)。该算法具有对初始码本依赖性小,不会局部最小,收敛速度快,码本性能好等优点。实验结果表明,FKNNVQ算法与Karayannis等1995年提出的模糊矢量量化算法(FVQ)相比,设计的图象码本峰值信噪比和收敛速度都有明显改善。

基于自适应动态球半径的k邻域搜索算法

针对大规模离散点云搜索k邻域速度慢的问题,提出了一种新的搜索k邻域算法,该算法根据不同点附近点云密度给出一个合适的点的k邻域动态球半径,且动态球半径是随着所求点周围点云的密度而自适应的。从离散点云分块大小和采样密度方面对算法的可行性和效率进行了实验验证,结果显示,运用该算法求取每个点的k邻域所用的搜索时间更短,效率更高。

面向时空非均匀Argo数据集的k邻域搜索算法

k邻域搜索作为海洋温盐场重构关键的前序步骤,搜索速度和结果是否具有代表性直接影响研究工作的效率和科学性。当前的k邻域搜索算法及其改进方法主要针对空间数据集。面向Argo时空非均匀数据集提出了一种k邻域快速搜索算法,首先基于立方体栅算法向时空维扩展,利用时空子分块对海量、时空非均匀的采样点进行分配;在此基础上采用时空补偿的策略对算法进行优化。结果表明,该方法有效提升了Argo浮标的邻域搜索效率并且改善了搜索结果的分布情况。

求k邻域的体素栅格算法研究

给定一个度量空间中的一组数据点集,k邻域问题在于对于某个数据点求出按照该空间的距离度量离数据点最近的k个数据样本。目前主要有2种方法,一种是基于立方体分割形成的三维立方体体素索引数组的体素栅格(CG(CellGrid)方法,另一种方法是基于树索引结构的方法如kd-Tree等。论文主要研究经典CG方法及解决其内存消耗过多问题的两个改进方法:排序体素栅格(SCG)方法和投影体素栅格(PCG)方法。CG、SCG、PCG算法采用了改进的搜索方法,避免了传统CG算法[2-4]可能得到错误k邻域的问题。对三种算法的时空性能进行了分析比较,给出了相应的实验比较数据。

基于K邻域链码拐点的胶囊端面缺陷检测算法

针对目前空心胶囊端面缺陷图像采集困难等问题,提出了一种特殊照明的方式对胶囊端部进行成像。将图像锐化、改进后的局部自适应阈值、轮廓提取用于胶囊端面图像的预处理,并针对胶囊端面缺陷漏检率高、检测效果差等问题,提出了一种基于K邻域链码的拐点检测算法,统计出胶囊端面缺陷图像中的拐点个数并做出缺陷判别。实验结果 证明,该检测算法实时性好,对常见的5种颜色的胶囊漏检率和误检率均控制在2%~9%。

一种改进的立体栅格K邻域搜索算法

文章针对利用规则栅格进行K邻域搜索容易遗漏点云局部特征点以及自动化程度不高的问题,对K邻域搜索算法进行了改进。该算法是在规则立体栅格的基础上融入八叉树思想,根据点云阈值查找点云特征栅格,对特征栅格按此栅格点云数与阈值的关系自动计算棱长并进行精划分,并采用自适应空间动态球算法扩展并搜索采样点的K邻域点集。实验表明,与其他算法相比,该算法不仅具有较高的自动化能力和较强的稳定性,还能快速、准确搜索采样点的K邻域。

一种基于立方体小栅格的K邻域快速搜索算法

提出了一种新的基于立方体小栅格的K邻域搜索算法。首先,采用二次划分的方法将点云划分到相应的立方体小栅格中;然后,为采样点所在的立方体小栅格确定最终子空间、内子空间和外子空间,结合采样点的球空间,就能很快确定该采样点的K邻域的搜索范围。与已有方法相比,该算法具有更高的搜索效率。

一种大规模点云k邻域快速搜索算法

针对大规模点云数据k邻域搜索效率低和分块不均匀的问题,提出了一种新的k邻域快速搜索算法。首先,根据设定的子空间内点云数目上限对点云空间在坐标轴方向自适应分块;然后,以待搜索点到所对应子空间6个面的最小距离作为边长生成初始自身小立方体,根据小立方体内采样点数目的控制阈值动态控制小立方体大小,缩小k邻域的搜索范围;最后,以搜索不成功的点到子空间边界的最小距离所对应的面的外法向量方向作为此面的扩展方向,并以所有搜索不成功点到该面距离的最大值作为该方向的扩展步长对子空间定量扩充。实验结果表明,该算法不仅具有较强的稳定性,而且自动化程度较高,能更快地完成k邻域搜索。

大规模散乱点的k邻域快速搜索算法

针对大规模散乱点数据k最近邻域搜索速度慢和稳定性差的问题,提出一种新的k邻域快速搜索算法。首先,引入空间分块策略将数据集中的点归入不同的子空间;其次,动态控制搜索步长的改变量,根据点到其自身小立方体边界的最小距离保证搜索结果的准确性;最后,通过改变预筛选点数量的右侧控制阈值来消除已有算法中由于初始数值不当引起的死循环。实验结果表明该算法对初始搜索步长、搜索步长增量、采样密度和不同的拓扑结构具有较强的稳定性,并且能更快地完成k邻域搜索。

基于自适应空间球的k最近邻域快速搜索算法

利用空间球搜索大规模点云数据k邻域存在速率慢和稳定性差的问题,为此,提出一种新的k邻域快速搜索算法。利用与k无关的分块策略对点云进行分块,使用候选点所在子块内采样点的近似密度自适应确定候选点的初始动态球半径,应用动态球的外切立方体搜索k邻域候选点。当候选点数目不满足要求或搜索不成功时,采用候选点动态球外切立方体的外接球扩大搜索范围。实验结果表明,与已有算法相比,该算法的k邻域搜索效率明显提高,而且当子块内预设点数变化、采样密度提高时具有较强稳定性,自动化程度较高。

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构,提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.

基于度量学习的邻域k凸包集成方法

k局部凸包分类方法通过改进k近邻算法在处理小样本问题时的决策边界而显著提高分类性能,k子凸包分类方法通过克服k凸包分类对类数和样本环状分布的敏感性而改善了分类性能。但是,该方法仍然对样本距离度量方法敏感,并且在k邻域内不同类的样本数经常严重失衡,导致分类性能下降。针对上述问题,文章提出了一种邻域k凸包分类方法,并通过引入距离度量学习和集成学习技术来提高算法对样本空间度量的鲁棒性。大量实验表明,文中提出的基于度量学习的邻域k凸包集成方法具有显著的分类性能优势。