半监督空间化竞争聚集算法及其在图像分割中的应用.pdfVIP

第41卷　 第2期 　 计 算 机 工 程 2015年2月 　 　 Vol.41　 No.2 　 Computer Engineering February2015 ·多媒体技术及应用 · 文章编号:1000-3428(2015)02-0234-08　 　 　 文献标识码:A　 　 　 中图分类号:TP391.41 半监督空间化竞争聚集算法及其在图像分割中的应用 于　 平,王士同 (江南大学数字媒体学院,江苏 无锡214122) 摘　 要:经典竞争聚集(CA)算法在聚类时对于样本中的少量已知信息没有加以利用,但这些信息往往需要应用 到整个聚类过程中。 此外,在相似度度量函数的选择上CA算法使用常见的欧氏距离,然而欧氏距离仅适用于团状 数据,制约了算法的应用范围。 针对上述问题,通过引入具备半监督学习能力的半监督项对隶属度矩阵进行增强, 利用聚类中心和中心邻近的点组成空间,把样本点与该空间的距离替代欧氏距离作为新的相似度度量标准,并给 出判断聚类中心能否合并的阈值参数,最终得到半监督空间化CA算法。 通过在人造图像和真实图像上的分割结 果表明,该算法能够更准确地获取聚类类别数以及更好的聚类效果。 关键词:竞争聚集算法;相似度度量函数;欧氏距离;半监督;空间距离;阈值参数 中文引用格式:于　 平,王士同.半监督空间化竞争聚集算法及其在图像分割中的应用[J].计算机工程,2015, 41(2):234-241. 英文引用格式:Yu Ping,Wang Shitong. Semi-supervised Spatial Competitive Agglomeration Algorithm and Its Application in Image Segmentation[J].Computer Engineering,2015,41(2):234-241. Semi-supervised Spatial Competitive Agglomeration Algorithm and Its Application in Image Segmentation YU Ping,WANG Shitong (School of Digital Media,Jiangnan University,Wuxi214122,China) 【Abstract】 Classic Competitive Agglomeration(CA) algorithm failstotakeintoaccount oftheinformation about a few samples which are known and important during the process of cluster. Moreover,competitive agglomeration chooses Euclidean distance asa similarity metric function.But,the distance is more applicable when the distribution of the data pointsis spherical.Thisrestrictsthe scope of its application.In order to solve these problems,the semi-supervised entry with the ability to learn isintroduced to enhance membership matrix.And a distance from a sample to the spacesisused to instead of Euclidean distance,that each of th