基于数学形态学带障碍约束空间聚类算法研究.docVIP

基于数学形态学带障碍约束空间聚类算法研究 　　摘要：该文提出了一种基于数学形态学的带障碍约束的聚类算法。通过数学形态学的膨胀运算，进行连通区域的寻找，同时借助于进行膨胀运算的结构元素，确定障碍物与连通区域是否相交。算法与DBCluC算法不同的是：通过结构元素，大大减少了需要进行相交判断的点的数量，具有较高的时间效率。 　　关键词：聚类算法；障碍约束；数学形态学 　　中图分类号：TP311文献标识码：A 文章编号：1009-3044(2008)36-2923-03 　　Clustering Algorithm Based on Mathematical Morphology in the Presence of Obstacles 　　KONG Juan1,XU Tian-fu2,XUE Qin-feng3 　　(1.Shandong Normal University College of Information Science and Engineering,Jinan 250014,China;2.Local Taxation in Shandong ,Department Information Center,Jinan 250002,China;3.Shandong Institute of Science and Technology Building,Jinan 250002,China) 　　Abstract: In this paper,we introduce a clustering algorithm based on Mathematical Morphology in the presence of obstacles.In this algorithm,we search for the regional connectivity through the expansion operations of Mathematical morphology.At the same time,with the help of the structural elements, whether the obstacles cross the regional connectivity can be determined.The algorithm is different from the DBCluC: the adoption of structural elements, greatly reducing the number of points need to judge and the efficiency of the algorithm is very high. 　　Key words:clustering algorithm; obstacle; mathematical morphology 　　1 概论 　　由于雷达、红外、光电、卫星、电视摄像、电子显微成像、CT成像等各种宏观与微观传感器的使用，空间数据的数量、大小和复杂性都在飞快地增长，己经远远超出了人们的解译能力。终端用户不可能详细地分析所有数据，并提取感兴趣的空间知识，致使“空间数据爆炸但知识贫乏”。 因此，利用空间数据挖掘和知识发现(SDMKD，spatial data mining and knowledge discovery)从空间数据库中自动或半自动地挖掘事先未知却潜在有用的空间模式变得十分必要[1]。 　　空间聚类指将空间对象划分为不同的群，使群内数据具有高相似性而不同群数据具有较大的相异性，而在实际应用中，河流、湖泊等障碍物的存在破坏了空间的连续性。如果在聚类过程中对障碍物不加考虑，势必会影响聚类结果的准确性。因此，在聚类过程中对空间障碍物进行处理就是带障碍约束的空间聚类。 　　2 相关研究工作 　　2.1 带障碍约束的聚类算法 　　为了提高聚类聚类结果的精确性，使聚类结果能对用户进行正确的引导，研究者纷纷在已有的各种空间聚类算法的基础上，加入了对障碍物的处理思想。目前，已经有很多比较成熟的算法[2]。 　　在本节中，我们将对COD_CLARANS, AUTOCLUST+以及DBCLuC算法进行简要介绍，并分析各个算法的优缺点及存在的问题。 　　COD_CLARANS是第一个基于划分思想的带障碍约束的聚类算法，是对CLARANS算法加入障碍约束后的改进。算法引入了障碍距离这一概念，即两对象间不与任何障碍物相交的最短距离。若两对象之间的直线距离不与障碍物相交，两对象间的障碍距离仍等于欧氏距离。COD_CLARANS算法的缺点是只能处理一些小的数据集，并且预处理的代价昂贵，不能处理任意形状的