基于空间约束K⁃means模型的长三角地区生态系统服务时空格局及功能分区研究

科学认知生态服务功能的时空演变规律以及合理划分生态系统服务簇的空间分类对于生态系统管理和政策制定至关重要。旨在揭示长三角城市群2000—2020年间生物多样性维护、产水量、碳储存、土壤保持、植被净初级生产力、粮食产量的时空演变特征、权衡关系,并利用空间约束K⁃means模型(SC K⁃means)聚类识别生态系统服务簇,划分生态系统服务功能管理区。研究结果表明:(1)生物多样性维护、产水量、碳储存、土壤保持、植被净初级生产力整体呈“西南山地高,东北平原低”空间格局,粮食产量与之相反;(2)六类生态系统服务空间变化差异体现出明显人类活动与自然气候主导,且粮食产量与其他生态系统服务表现为权衡关系;(3)基于SC K⁃means识别生态系统服务簇的结果将研究区划分为为粮食主产区、人类活动密集区、皖浙生态保护区、大别山生态保护区、皖江生态过渡带、长三角核心保护区六类生态功能区,针对各分区提出差异化生态管控建议。研究可为国土空间规划分区引导提供理论依据与实践参考。

基于空间边缘方向直方图的Mean Shift跟踪算法

传统的基于色彩直方图或空间色彩直方图的Mean Shift跟踪算法,在诸如跟踪目标出现尺度变化的复杂条件下,无法得到准确的跟踪结果。这是因为色彩直方图或空间色彩直方图无法显著区分颜色相近的目标和背景。鉴于此,提出了一种基于空间边缘方向直方图的Mean Shift跟踪算法,使用空间分布和纹理信息作为匹配信息。实验结果表明,该算法能够有效的处理遮挡、光照变化和尺度缩放等复杂情况,对目标进行准确有效的跟踪,改善了传统方法在尺度缩放等方面的局限性。

结合X-means聚类的自适应随机子空间组合分类算法

针对大规模数据的分类准确率低且效率下降的问题,提出一种结合X-means聚类的自适应随机子空间组合分类算法。首先使用X-means聚类方法,保持原有数据结构的同时,把复杂的数据空间自动分解为多个样本子空间进行分治学习;而自适应随机子空间组合分类器,提升了基分类器的差异性并自动确定基分类器数量,提升了组合分类器的鲁棒性及分类准确性。该算法在人工和UCI数据集上进行了测试,并与传统单分类和组合分类算法进行了比较。实验结果表明,对于大规模数据集,该方法具有更好的分类精度和健壮性,并提升了整体算法的效率。

社区公共空间管理的Means分析

Means Process provided by SPSS can provide the mean of every group mean,the degree of the material difference between groups,the degree of association between dependent variable and indepencent variable etc..Now the management of the community public space is a hot social topic.Aim to the management system of the community public space,by an investigation,the writer did Means analysises to 49 questions of the questionnaire,and got the topics about which there is a great difference between different type ,age and education level groups and an association with type,age and education,to guide the community management practice better.

基于空间加权距离的自适应Fuzzy C-Means算法研究

空间聚类不仅应考虑GIS对象属性特征的相似性,还应考虑对象的空间邻近性。不同属性、位置特征在聚类中起到的作用不同。采用信息熵方法计算空间距离中各属性距离、位置距离的权重,权值大小用于度量相应特征在fuzzy c-means隶属度计算时的作用大小,并引入相似性指标,当两个聚类之间的相似度高于某个合并阈值时,则对应的一对聚类进行合并,从而克服需预先设置聚类类数的问题。通过应用实例的聚类有效性分析,与普通空间距离相比,基于空间加权距离的FCM算法具有稳定性和有效性。

基于Mean Shift和L＊u＊v＊彩色空间改进的FH图像分割方法

针对FH算法(Felzenszwalb和Huttenloch提出的图像分割算法)中存在的欠合并现象,在L*u*v*彩色空间,结合Mean Shift算法,提出了一种改进FH图像分割方法,即IFH(Improved FH)。该方法首先采用Mean Shift算法获得均值漂移图像,再将图像由RGB空间转换到L*u*v*颜色空间;然后,结合L*u*v*彩色空间,采用FH算法构造带权无向图,基于图像的颜色特征进行分割。实验证明,与原算法相比,该方法在分割精度与分割质量上有了很大程度的提高。

基于多尺度空间的mean shift目标跟踪算法

目前主要目标跟踪算法都假设目标的运动,无法跟踪运动速度较快的目标。论文提出一种新的目标跟踪方法,首先利用通过多分辨率模型加速的快速模板匹配算法在整个图像中大致寻找与模板近似匹配的点作为候选点,然后以每一个候选点为初始点利用mean shift算法找到它们各自对应的局部极值,并选取其中最大值所对应的点作为目标位置的最终估计。实验证明了该算法能更准确和鲁棒地跟踪目标。

异质性信念、投资组合选择与证券价格波动:MEAN-VARIANCE分析与中国股票市场实证检验

本文在传统的MEAN-VAR空间内引入异质性信念,使不同信念的代理人拥有不同的投资组合前沿。在此框架下,分析了影响代理人投资组合选择的异质性因素,以及信念的异质性程度与价格波动之间的关系和异质性信念的聚合问题。并以上海证券市场大盘指数的日振幅与日交易量为指标进行实证检验,得出中国股票市场中证券风险越大投资者信念分歧越大,和两者之间互为Granger因果关系的结论。

基于在线支持向量机的Mean Shift彩色图像跟踪

为了解决传统Mean Shift跟踪方法中目标模板只能从单一图像建立,且很难更新问题,提出了一种新的Mean Shift彩色图像跟踪方法。将RGB颜色空间投影到HSV颜色空间,建立了基于HSV颜色空间的统一直方图核函数模型。为了实现模板在线更新,引入在线支持向量机,推理了基于HSV空间的在线支持向量机的Mean Shift跟踪算法,从而适应目标因尺寸、姿态及光照造成的模型变化。为了验证算法的有效性,对两组国际通用的CAVIAR彩色图像序列进行了跟踪测试。实验结果表明,提出的改进算法在目标姿态、光照或背景发生较大变化时,能有效跟踪目标。当图像分辨率为384×288(目标尺寸约为20×80)时,最快处理速度达40f/s,且跟踪精度比传统Mean Shift提高32.1%。

尺度方向自适应Mean Shift跟踪算法

在分析尺度空间理论和Mean Shift跟踪算法的基础上,提出了一种尺度方向自适应Mean Shift跟踪算法。根据起始帧图像中目标和背景的差异,分割出目标覆盖区域,并根据尺度空间理论对目标建立最佳描述椭圆。对于后续帧,以上一帧目标的最佳椭圆描述为初始值,根据Mean Shift迭代原理依次更新椭圆参数。实验结果表明,新算法可以有效、稳健地适应目标旋转缩放等复杂运动。

自然环境下基于Lab空间的成熟苹果图像分割

为了提高自然环境下成熟苹果图像的分割质量,通过对自然环境成熟苹果颜色特征的分析,提出一种在Lab颜色空间的苹果图像分割算法。首先对图像进行均值滤波预处理以消除噪声的影响,然后把图像从RGB空间转换到Lab空间并提取a分量,最后进行K-means分割。结果表明,基于Lab空间中a分量的K-means分割能有效地把苹果从图像中提取出来。

基于YUV颜色空间特征的目标跟踪融合算法

针对遮挡、背景变化等对目标跟踪带来的困难,提出了一种基于YUV颜色空间特征的目标跟踪融合算法。该算法结合卡尔曼滤波和mean-shift算法的优点,并结合一种阈值函数,准确计算目标的最终位置,解决了遮挡、背景变化造成的目标跟丢现象,提高了目标跟踪算法的鲁棒性和准确性。通过实验验证了新方法的有效性和准确性。

结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。

神经正切核K-Means聚类

针对K‑Means聚类算法利用均值更新聚类中心,导致聚类结果受样本分布影响的问题,提出了神经正切核K‑Means聚类算法(NTKKM)。首先通过神经正切核(NTK)将输入空间的数据映射到高维特征空间,然后在高维特征空间中进行K‑Means聚类,并采用兼顾簇间与簇内距离的方法更新聚类中心,最后得到聚类结果。在car和breast‑tissue数据集上,对NTKKM聚类算法的准确率、调整兰德系数(ARI)及FM指数这3个评价指标进行统计。实验结果表明,NTKKM聚类算法的聚类效果以及稳定性均优于K‑Means聚类算法和高斯核K‑Means聚类算法。NTKKM聚类算法与传统的K‑Means聚类算法相比,准确率分别提升了14.9%和9.4%,ARI分别提升了9.7%和18.0%,FM指数分别提升了12.0%和12.0%,验证了NTKKM聚类算法良好的聚类性能。

基于K-means聚类的纺织品印花图像区域分割

对纺织品彩色印花图像进行颜色区域分割.将彩色纺织品印花图像转换到CIEL*a*b颜色空间,用K均值聚类分析算法对描述颜色的a*和b*通道进行聚类分析;通过提取各个颜色区域独立成为单色的新图像,对彩色纺织品印花图像进行分割处理.实验结果表明,在CIEL*a*b空间使用K-means聚类算法可以有效地分割彩色纺织品图像的颜色区域.

基于K-means的文本聚类算法

针对K-means算法容易收敛到局部最优以及对初值的依赖性,基于多次采样一次预聚类搜索初始聚类中心的思想,提出了一种改进的K-means文本聚类方法。实验结果表明,改进的算法较原算法在准确率上有较大提高,并且具有更好的稳定性。

基于NL-Means的均值平移图像分割算法

针对均值平移图象分割算法中,在密度中心点选择时的不足,本文采用一种新的寻找密度中心点的方法,同时,为了克服传统基于特征空间分析的图像分割方法对像素点空间关系考虑不够充分的缺陷,通过Non-local means算法,在距离公式中引入特征权参数,从而优化聚类效果。对图象分割结果分析表明了这种方法的有效性。

基于尺度空间的改进均值偏移目标跟踪

针对在均值偏移算法中颜色直方图不能够很好地对跟踪目标进行描述,提出了基于尺度空间的改进性均值偏移算法。使用跟踪目标的颜色特征和尺度空间特征对其统计直方图进行改进,并且通过尺度因子对目标的位置和大小进行了调整和修正。实验表明改进算法对目标在运动过程中放大变化具有很好的跟踪效果。

结合k-means聚类和Hough变换的原木根数统计方法

为了准确识别原木端面区域,在RGB颜色空间和Lab颜色空间对装载原木车辆的图片进行k-means算法以实现原木端面区域与背景的分离,实验证明:基于Lab颜色空间中a(红/绿)、b(黄/蓝)层信息进行k-means聚类分割,能够正确识别原木端面区域的阴影部分.在原木根数的统计中,Hough变换圆检测方法能够较好地解决原木轮廓偏离圆形及边缘相交的问题.K-means聚类结合Hough变换可实现原木根数的统计,能提高人工统计根数的效率.

基于自适应尺度的Mean-shift跟踪算法

针对传统Mean-shift跟踪算法不能解决目标跟踪中的目标特征大小变化问题,在此通过对Mean-shift算法的深入研究,提出了基于自适应尺度的Mean-shift目标跟踪算法。通过引用尺度空间理论,改变尺度空间中的选择参数,调整追踪窗口的大小来解决跟踪时自适应目标大小特征变化的问题。计算机仿真实验表明,基于自适应尺度的Mean-shift跟踪算法的跟踪所取得的效果明显优于传统方法的目标跟踪方法。