基于马氏距离加权图转换的点模式匹配

针对大部分点模式匹配算法对噪声和出格点稳健性较差的问题,对提出的基于马氏距离的点模式匹配方法进行了理论分析,然后针对马氏距离及加权图转换匹配方法的不足,将马氏距离融入到加权图转换匹配算法中,提出基于马氏距离加权图转换的点模式匹配算法。该算法利用中值和角度距离约束不断剔除出格点,获得了更加精确的匹配结果。实验对比结果表明该方法的可行性和鲁棒性。

引入共享近邻加权图的Chameleon算法

针对Chameleon算法中采用距离函数度量数据点间的相似度,导致距离相近的两个点可能仅拥有很少的共同特征,最小二分实际操作困难,合并时需要人工指定阈值以及一旦合并完成后不能撤销的问题,对Chameleon算法进行改进,提出一种引入共享近邻加权图(WSnnG)的Chameleon算法。该算法以数据对象间的共享近邻数来衡量相似度,进一步构造WSnnG,再利用网络模块性评价函数指导最小二分,然后以结构等价相似度作为合并的依据,最后通过引入内聚度度量函数解决合并后不能撤销的问题。在UCI数据集及4个二维人造数据集上的实验结果表明,该算法在聚类精度和运行时间方面具有更好的效果。

一种基于图割的交互式脑膜瘤核磁共振图像分割方法

为实现脑膜瘤核磁共振(MR)图像的精确分割,本文提出了一种新的基于图割的交互式图像分割算法。该方法首先提取高维图像特征,然后利用加权KNN(K-Nearest Neighbor)分类器估计待分类像素属于肿瘤与背景区域的概率,并构造新的能量函数;最后采用图割优化方法对能量函数优化求解。对脑膜瘤MR图像的分割实验表明,本方法较基于灰度信息的图割方法在精度上有明显提高。

基于自然邻居邻域图的无参数离群检测算法

数据挖掘领域,基于最近邻居思想的离群检测算法在面对复杂数据时,很难在没有足够先验知识条件下进行适当的参数选择。为了解决这个问题,本文在自然邻居方法的基础上,提出一种利用加权自然邻居邻域图进行离群检测的算法。该算法在整个过程不需要人为设置参数,并且能在不同分布特征的数据中准确找到数据集中的全局离群点和局部离群点。人工数据集和真实数据的离群检测结果均证明,本算法能够取得和有参数的算法中最优参数相近的效果,算法检测结果远好于对参数敏感算法的大部分情况,且更优于对参数不敏感的算法,具有更强的普适性和实用性。

基于加权共享近邻与累加序列的密度峰值算法

密度峰值聚类(DPC)算法在对密度分布差异较大的数据进行聚类时效果不佳,聚类结果受局部密度及其相对距离影响,且需要手动选取聚类中心,从而降低了算法的准确性与稳定性。为此,提出一种基于加权共享近邻与累加序列的密度峰值算法DPC-WSNN。基于加权共享近邻重新定义局部密度的计算方式,以避免截断距离选取不当对聚类效果的影响,同时有效处理不同类簇数据集分布不均的问题。在原有DPC算法决策值的基础上,生成一组累加序列,将累加序列的均值作为聚类中心和非聚类中心的临界点从而实现聚类中心的自动选取。利用人工合成数据集与UCI上的真实数据集测试与评估DPC-WSNN算法,并将其与FKNN-DPC、DPC、DBSCAN等算法进行比较,结果表明,DPC-WSNN算法具有更好的聚类表现,聚类准确率较高,鲁棒性较强。

基于改进加权图转换的图像匹配算法

对提出的基于马氏距离的点匹配方法进行了理论分析与实验验证,针对马氏距离及加权图转换匹配方法的不足,将马氏距离融入到加权图转换匹配算法中,提出了一种新的稳健的图像匹配策略——基于马氏距离加权图转换的图像匹配算法。该算法利用图中的点及其K-近邻点的马氏距离中值和角度距离建立权重矩阵,根据不断更新得到的权值更新图,逐个剔除出格点,获得更加精确的匹配结果。仿真数据和真实图像实验对比结果表明该方法的可行性和鲁棒性。

基于层次聚类的图像分割算法

图像数据中同一目标区域相邻像素点之间具有强相关性、存在噪声、数据规模大等特征,期望分割的结果在图像空间上连续。针对上述提出的图像数据的特征,提出了一种基于层次聚类的图像分割算法。首先,采用简单线性迭代聚类(SLIC)超像素分割算法对图像预处理,把图像分割为若干个超像素,提取超像素的特征,基于超像素间的邻接关系构造区域邻接图(RAG);然后,采用7种不同的类间差异计算方法,引入邻接区域合并、最小类间差异合并机制及最小类内差异(MID)准则对超像素进行层次聚类。在Pascal VOC数据集上进行实验,实验结果表明:与SLIC相比,该算法其边界召回率(BR)提高了0.180,而欠分割误差(UE)降低了0.088。