聚类分析报告及其在图像处理上的应用[文摘].pdfVIP

实用标准文档 聚类分析及其在图像处理上的应用 1 绪论 数据 1.1 基于聚类的图像处理的研究现状 隐藏的部结构。 Backer 和 Jain [1] 指出 聚类 分析 在图 像处理中 应 用 广 数据的划分是依赖于所选择的相似性 泛，其中一项重要的应用就是图像分 度量的 ,通过主观地选择相似性度量来 割。图像分割多年来一直受到人们的 达到有的的划分。至今 ,人们并没有对 高度重视，各种类型的分割算法相继 聚类给出一个统一的定义。多数研究 被提出。虽然人们在图像分割方面做 者都是从部同质性和外部可分性对聚 了许多工作，但是至今仍没有通用的 类簇进行描述 ,即同类数据对象间应该 分割算法，也不存在一个客观的评价 彼此相似 ,不同类间的数据对象应该不 准则。大多数分割算法都是针对一种 相似 [3 。在给出聚类的数学描述之前 , 具体类型的图像提出的很难适用于所 首先介绍与聚类有关的一辟术语和数 有图像。实际上由于各个领域的图像 学表达方法。 千差万别，也很难提出万能的分割算 法。基于聚类的图像分割方法是图像 样本 :指要进行聚类的数据集中的单个 分割领域中一类非常重要且应用广泛 数据。样本一般是一个多维向量 ,向量 的算法。 的每个分量可以是数值型或者名词型 的数据 ,一般称为特征或者属性。 2 聚类分析概述 2.1 聚类的定义 样本集 :或称数据集 ,是由单个样本所 聚类的目的是将有限个无标注数 组成的集合 ,即是需要聚类操作的数据 据划分到有限个离散的组或类中 ,发现 整体 ,通常表示为一个矩阵。 文案大全 实用标准文档 通常获得的数据类型有两种 :一是数据 相异度矩阵 :该矩阵中的每个元素表 矩阵 ,二是相异度矩阵 (相似度矩阵 )。 $ 样本集中的每对样本之间的相异程 假 定 数 据 集 中 有 n 个 样 本 : 度 ,一般是非负值。 x i ,i=1,2,,n, 每个样本有 p 个变量 (特征属性 ), 则这 n 个样本可表示成 相似度矩阵 :该矩阵中的每个元素表小 ? n*p(n 个样本 xp 个变量 )的数据矩阵。 样本集中的每对样本之间的相似程度 , 一般是非负值。 类 :或称簇 ,指通过聚类而形成的一组 , 同一类中的样本具有相似的特征。通 (2-1) 常用 C 或 K 表示类的个数。 其中每个对象对应为一个 p 维向量 : 类原型 :能够代表某个类性质的数据兀 ,