结合边缘信息优化LSC和改进A^(*)算法的正射影像图镶嵌线提取

为避免正射影像图在镶嵌时镶嵌线穿过视觉显著地物,损害影像中地物的完整性,本文提出一种结合边缘信息优化LSC(线性谱聚类)和改进A^(*)算法的正射影像图镶嵌线提取方法.首先,将经典LSC的超像素分割理论引入正射影像图镶嵌线提取算法中,并提出边缘强度因子用以优化经典线性谱聚类,有效利用正射影像图中的光谱信息和边缘信息;然后,将优化后的LSC分别应用于两幅正射影像的重叠数据集,得到各类地物的边界特征图,并通过数学形态学法去除边界特征图中的边缘不整齐现象和孤立噪点;最后,改进传统A^(*)算法,由曼哈顿距离函数替代原有基于欧式距离测度的启发函数,提升A^(*)算法进行最短路径搜索的效率,在边界特征图中快速搜索出最短路径得到最优镶嵌线.利用真实无人机航拍正射影像图将本文方法与相关方法进行对比分析,实验结果表明本文所提方法可高效、高质量地提取到影像镶嵌线,有效绕过视觉显著地物,减少镶嵌线穿过地物的像元点数,满足实际正射影像图制作的应用需求.

NMI特征优化边界敏感的LSC遥感影像分割算法

针对线性谱聚类方法处理复杂场景的高分辨率遥感影像时存在地物边界丢失、过分割问题,提出基于归一化转动惯量特征优化边界敏感的线性谱聚类方法。首先,利用LOG算法提取影像边缘信息,将边缘信息与LSC算法融合,并将存在边缘信息的超像素块的区域质心替代原始聚类中心,改善地物边界信息丢失问题;然后,通过边缘敏感的LSC分割方法,对高分辨率影像进行分割,获取地物完整的初始超像素,并确定微小的超像素;最后,计算微小超像素与相邻超像素相似性度量值,并将其合并到相似性度量值最小的超像素,优化过分割结果。实验结果表明,该方法可以有效地解决地物边界丢失、过分割问题,获取较好的分割结果。

一种自适应局部线性嵌入与谱聚类融合的故障诊断方法

针对数据维数高、非线性且从高维观测空间分析数据模式困难的问题,将改进的流形学习算法引入到数据聚类中,提出了一种结合自适应局部线性嵌入和递归调用规范切融合的新方法.采用自适应局部线性嵌入对原始数据进行非线性降维,应用递归调用规范切对低维空间数据进行聚类,通过对3组UCI标准测试数据集的仿真实验表明,新方法能够将高维数据有效地映射到低维本质空间,克服了传统方法对数据集结构的依赖性,从而显著提高了谱聚类算法分类的准确性和稳定性.同时,对于田纳西-伊斯曼过程的数据实验,表明了该方法对故障模式识别的可行性和有效性.

基于子空间中主成分最优线性预测的高光谱波段选择

针对高光谱遥感图像的异常检测问题,为了使高光谱降维数据能更完整地保留其光谱信息,提出了基于子空间中主成分最优线性预测的波段选择方法.采用改进相关性度量的谱聚类方法将高光谱波段划分为不同的子空间,并对各子空间中的波段进行主成分分析(PCA),选择主要分量作为重构目标;以子空间追踪法为搜索策略,从各子空间中选择数个波段对其重构目标进行联合最优线性预测;合并各子空间中的所选波段得到最佳波段子集.实验结果表明,该方法选择的波段子集可以较完整地重构原始数据,与原始数据以及自适应波段选择(ABS)方法、线性预测(LP)方法、最大方差主成分分析(MVPCA)方法、自相关矩阵波段选择(ACMBS)方法、组合因子最优波段选择(OCFBS)方法得到的波段子集相比,其波段子集具有更好的异常检测性能.

基于谱聚类的流形学习算法研究

传统流形学习算法虽然是一种常用的有效降维方法,但由于其自身计算结构的限制,往往存在数据分析不足和计算时间较长等问题.为此提出一种基于谱聚类的流形学习算法(spectralclustering locally linear embedding,SCLLE),并对其机理以及优点给予了实例证明.在UCI和NCBI数据集上的实验结果表明,该算法具有较好的识别效果和计算性能.

基于自适应超像素分割的点刻式DPM区域定位算法研究

为解决点刻式直接零件标志(Direct part mark,DPM)码基本单元分割困难、区域定位欠精确等问题,提出使用超像素分割和谱聚类相结合的算法,对含有DPM区域的图像进行初步分割和精确定位.首先为提高超像素分割的准确、快速和完整性,本文利用近邻传播聚类思想实现自动聚类得到超像素区域,并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类(Adaptive edge simple linear iterative clustering,AE-SLIC)算法.该算法改进了简单线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法存在的未明确界定超像素区域边缘信息和分割数目无法自适应确定等问题;其次,将超像素作为谱聚类中图的顶点进行二次聚类,DPM区域内超像素因相似度高而被聚集为一类,从而完成点刻式DPM区域的精确定位.经实验测试和分析,本文算法得到的超像素分割结果在完整性、运算复杂度等方面优于常见的超像素分割算法.与基于像素点运算的传统定位算法相比,本文算法具有良好的实时性、定位准确率和鲁棒性.

基于最小包含球的大数据集快速谱聚类算法

GRC(Graph-based Relaxed Clustering)是一种具有便捷性和自适应性的谱聚类算法,但对于大数据集,繁重的时间开销限制了其实用性.针对此不足,该文通过对GRC聚类指示向量进行约束并融合中心约束型最小包含球(Center-Constrained Minimal Enclosing Ball,CCMEB)理论提出了大数据集快速谱聚类算法CCMEB-CGRC.该算法继承GRC的便捷性和自适应性的同时又具有渐近线性时间复杂度的优点,从而较好地解决了大数据集快速有效谱聚类的问题.仿真实验的结果验证了该算法的有效性和快速性.

一种改进的谱聚类彩色图像分割方法

提出一种改进的基于谱聚类的彩色图像分割方法,首先引入Levin's Affinity的权函数代替传统的高斯核函数建立相似矩阵来构造带权无向图,从而更精细地刻画出数据间的特征相似性;其次,采用线性映射将图嵌入到一个由部分特征向量生成的子空间中,使得数据映射到新的空间后也能较好的保留其在原空间中的结构;最后,在生成的子空间中用K均值聚类算法进行聚类从而为每个像素点分配类标签达到彩色图像分割的目的.与相关谱聚类算法进行图像分割的结果比较证实了改进算法的有效性和显著性.

一种模糊核聚类的线性滤波多光谱图像增强算法

针对图像噪声过多以及模糊度过高所造成的多光谱图像视觉效果较差、图像细节难以分辨等问题,提出了一种模糊核聚类的线性滤波多光谱图像增强算法。该算法采用模糊核聚类的去噪方法,对分解图像得到的模糊系数进行了阈值处理,并引入去噪增益因子,可以有效地去除多光谱图像的噪声。在多光谱图像亮度增强上,采用了多向聚类亮度增强公式来将图像的模糊像素亮度提升至标准亮度,对图像边缘部分的亮度则采用边缘化增益方法来进行增强,最后采用线性滤波的方法来保护多光谱图像的结构张量,防止多光谱图像的结构信息发生扩散变化。实验结果表明,采用模糊核聚类的方法能够有效地去除多光谱图像噪声,在图像亮度增强上相比对比算法取得了较好的效果。

基于线性谱聚类的林地图像中枯死树监测

【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。

基于超像素和超度量轮廓图的无人机图像分割算法

为精确地分割高分辨率无人机航拍图像中的不同地物,提出一种基于超像素和超度量轮廓图的无人机图像分割算法.首先对图像进行线性谱聚类,生成超像素;然后根据HSV颜色空间的直方图特征计算超像素区域间的不相似度;再结合层次分割思想得到可表示边缘强度的超度量轮廓图并将其归一化;最后利用合适的阈值删除边缘强度低于该阈值的轮廓,并将所对应的区域进行合并得到分割后的图像.与ISODATA,FCM和gPb-OWT-UCM算法比较的实验结果表明,该算法图像分割准确率较高,对初始参数的依赖性小,且计算复杂度低.

基于边缘强度特征和线性谱聚类的SAR图像超像素生成方法

面对高分辨合成孔径雷达(SAR)图像的海量数据,学界广泛通过基于超像素的方法简化图像处理过程。一般适用于光学图像的超像素分割算法对存在斑噪的SAR图像分割性能均不够理想。面向SAR图像改进现有超像素生成算法是目前的研究热点之一。在探讨了将边缘强度特征引入超像素分割算法的可行性的基础上,结合边缘强度特征和线性谱聚类方法,提出了一种新的SAR图像超像素生成方法(e-LSC)。通过仿真SAR图像和实测SAR图像的比较实验,证实了e-LSC算法与其他几种典型超像素生成算法相比,生成的超像素在边缘贴合度和匀质区域的规则化上都有所提高。

一种适合于非线性高维数据的谱聚类算法

谱聚类能识别非线性数据,且优于传统聚类。谱聚类中度量相似性的高斯核函数尺度参数σ和聚类个数k对聚类效果影响较大,但需要人工判断。用向量之间夹角余弦代替σ并且通过特征值的跳跃性确定聚类个数,对于非线性高维数据,提出一种自适应谱聚类算法,将数据通过显式构造映射到随机特征空间,在随机特征空间中实现聚类。实验结果表明,在UCI数据上该算法与传统算法相比效果更好。

利用稀疏自编码的局部谱聚类映射算法

传统谱聚类算法直接对原始数据建立高斯核邻接矩阵后再对数据进行聚类,并未考虑数据的深层次特征以及数据的邻域流形结构,并且仅进行单一聚类,针对以上三点不足,提出了利用稀疏自编码的局部谱聚类映射算法(LSCMS),通过对数据进行预处理,利用稀疏自编码提取能反映原始数据本质的深层次特征,并以此替代原始数据;对每个数据利用其邻域进行线性重构,以重构权值代替高斯核函数建立邻接矩阵。LSCMS在聚类同时将数据映射到聚类指标上进而协调聚类指标。在UCI数据集、手写数据集、人脸数据集上的实验结果表明:算法优于现有的聚类算法。

一种复杂背景下的电力设备红外图像分割方法

针对背景复杂的电力设备红外图像分割问题,提出一种新的分割方法。该方法运用线性谱聚类算法(LSC)对图像做超像素分割,将颜色、距离相似的像素聚类至同一个中心;利用在全局图像基础上计算所得的Otsu阈值对各超像素块做背景预标记,并利用最大相似度区域合并算法(MSRM)对超像素块进行合并,在得到目标设备的同时,有效降低了过分割和欠分割率;最后运用数学形态学算法对图像做后处理,在保证设备特征的前提下提高目标设备分割精度。实验表明,在复杂背景下与其他算法相比,该方法可得到更为准确、完整的目标设备。

基于指纹匹配的无蜂窝大规模MIMO三维定位方法

本文研究了无蜂窝大规模多输入多输出(Multiple input multiple output,MIMO)系统中基于指纹匹配的无线定位方法。假设服务区域内布设大量接入点(Access point,AP),每个AP配置水平均匀线性阵列天线(Uniform linear array,ULA)或垂直ULA。利用相互正交的线性阵列天线(Orthogonal uniform linear array,O-ULA)对不同地理位置用户的方位角和俯仰角进行辨识,提取无线信道的角度功率谱矩阵构建方位角和俯仰角指纹库。借助谱聚类算法对指纹数据库进行预处理,然后通过两阶段指纹匹配策略计算指纹相似度并排序,在指纹库中搜索与用户指纹相似度最高的参考点,并利用加权K近邻算法(Weighted K-nearest neighbor,WKNN)估计用户位置。仿真结果表明,所提方案和单天线方案、ULA方案、均匀矩形阵列(Uniform rectangular array,URA)方案相比能够获得更高的三维定位精度。

计及碳交易与需求响应的多典型日综合能源系统优化模型

系统负荷作为综合能源系统的约束条件,常以单个典型日加以表征,难以描述实际负荷波动性与随机性的特点。本文构建了计及碳交易与需求响应的多典型日优化模型,通过引入谱聚类算法获得多个典型日数据,在表征原始负荷数据波动性与随机性的同时,也基于负荷数据构成实现了数据分类,并以负荷构成为基础分别建立优化模型,引入阶梯型碳交易机制与需求响应机制,在Python语言下调用Gurobi求解器完成模型仿真,在此基础上对阶梯型碳交易参数的变化开展研究。结果表明:优化模型可较好地针对全年不同的负荷特征实现灵活调度;考虑需求响应后,系统总成本降低了4.78%,碳排放量降低了6.5%,在兼顾经济性与环保性的同时有利于清洁机组出力。