一种改进的舰船合成孔径雷达图像分割方法

针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题,运用数理统计领域的方法,以舰船合成孔径雷达图像为研究对象,在深入分析经典K–Means聚类算法以及高斯混合模型之后,提出一个改进的高斯混合模型,用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进,同时,将传统高斯混合模型的每一个概率分布,进一步再细分成单个的概率成分,在辅助变量计算过程中,采用梯度上升算法。仿真实验结果显示,研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。     

优先聚类和高斯混合模型树相融合的递增聚类研究

传统聚类算法实现大数据集聚类时,耗费大量的时间和内存,无法适应大数据流的动态性,聚类稳定性较差。因此,提出基于优先聚类和高斯混合模型树的递增聚类方法。采用优先聚类算法对大数据集进行优先聚类,获取典型数据集,降低大数据集的数据复杂度,采用高斯混合模型树的递增聚类算法,将典型数据集中的数据插入到高斯混合模型树内,塑造数据集的高斯混合模型树,树的叶子节点和非叶子节点分别同单高斯数据分布和高斯混合模型分布对应,基于插入结果对高斯混合模型树实施调整,检测插入到模型树内的数据是否需要删除,并完成数据的删除操作,采用广度优先方法获取最佳的树节点作为最终的聚类结果。实验结果表明该算法取得了很好的效果,具有较高的可扩展性和稳定性。     

用于高斯混合模型参数估计的EM算法及其初始化研究

基于有限混合模型的聚类是一种重要的聚类分析方法,而EM算法是混合模型参数估计的重要方法.传统的EM算法对初始聚类中心比较敏感,因此如何选取初始值成为运用EM算法实现高斯混合模型聚类中的一个重要问题.本文提出一种基于网格的聚类算法来初始化EM算法,旨在改善EM算法的初始敏感性,使其达到更佳的聚类效果.此算法根据网格单元密...     

基于近似密度初始化的医学图像混合模型聚类

基于EM(Expectation Maximization)的混合模型聚类的效果与参数的初始值存在密切的关系.提出了一种基于近似密度的EM参数初始化方法,该方法用近似密度估计聚类样本点,再根据每个聚类统计EM的混合比、均值、协方差参数的初始值.并应用于人体腹部医学图像数据的高斯混合模型聚类分析,实验结果表明该方法比Kmeans随机初始化方法有更好的聚类效果.     

基于模糊熵聚类和改进粒子群的MRI脑图像分割研究

现有医学图像生成过程中无法回避噪声的引入,而目前还未有较好的算法对高噪声的MRI医学图像进行分割,分割归属于聚类问题,聚类常用的方法是模糊聚类,但模糊聚类需要解决对噪声和初始化敏感的问题,提出了一种基于模糊熵聚类和粒子群优化算法的MRI脑图像分割算法。首先在模糊熵聚类算法的基础上进行改进,设计了一种利用邻域空间信息的核化模糊熵聚类的新目标函数,然后提出一种基于改进粒子群优化的新算法,最后通过最优化目标函数对MRI图像的白质、灰质和脑脊液进行分割。选取蒙特利尔神经学研究所数据库中的MRI脑图像,将所提出的算法与现有的几种聚类分割算法进行比较,仿真实验结果表明,所提出算法能够解决模糊聚类对噪声和初始化敏感的问题,实现了对高噪声MRI图像的精确分割。     

基于遗传算法的K-means初始化EM算法及聚类应用

混合高斯模型能够有效地拟合概率密度函数,常用的混合高斯概率密度模型参数估计方法是EM迭代算法,这种算法的缺点是估计精度过分依赖于初始值,而且不能估计模型阶数。基于遗传算法的K-means初始化EM算法可以同时估计模型阶数和参数。试验结果表明,该算法具有更好的聚类效果。     

利用期望最大化算法的EMCCD噪声分布模型的参数估计

讨论了电子倍增CCD（EMCCD）图像的噪声来源及其统计特性,建立了混合泊松-高斯噪声分布模型。针对混合泊松-高斯噪声分布模型的极大似然函数难以求解的问题,对噪声模型进行了适当的初始化设置,利用期望最大化算法对噪声模型进行参数估计,有效实现了噪声参数的极大似然估计。Monte Carlo仿真结果及实验结果表明,期望最大化算法估计性能较好,对混合泊松-高斯分布有较好的拟合效果,能得到较高精度的参数估计值。     

一种基于低秩表示的子空间聚类改进算法

该文针对现有的基于低秩表示的子空间聚类算法使用核范数来代替秩函数,不能有效地估计矩阵的秩和对高斯噪声敏感的缺陷,提出一种改进的算法,旨在提高算法准确率的同时,保持其在高斯噪声下的稳定性。在构建目标函数时,使用系数矩阵的核范数和Forbenius范数作为正则项,对系数矩阵的奇异值进行强凸的正则化后,采用非精确的增广拉格朗日乘子方法求解,最后对求得的系数矩阵进行后处理得到亲和矩阵,并采用经典的谱聚类方法进行聚类。在人工数据集、Extended Yale B数据库和PIE数据库上同流行的子空间聚类算法的实验对比证明了所提改进算法的有效性和对高斯噪声的鲁棒性。     

基于纹理特征的盲道区域分割算法

盲道分割是导盲系统中的重要一部分,核模糊C均值(KFCM)算法使用内核的方法来提高聚类的性能,然而,该算法具有初始化敏感,陷入局部极小和缺乏先验知识对核函数的最优参数等缺陷。若需进一步提高聚类性能,则需要克服上述问题。对此,文章提出了一种基于改进的KFCM算法,将生物地理学优化算法(BBO)与KFCM算法相结合。BBO算法没有聚类特性,主要是采用生物地理学中的迁移算子之间的信息共享解决方案,而KFCM算法受初值影响,对图像噪声很敏感,因此BBO算法可以对KFCM算法进行优化,从而提高聚类性能。实验结果表明,改进的KFCM算法较现有文献相比,可以对盲道区域进行更精确地分割,且聚类效果评价指数更优。     

冲激噪声环境下基于最大相关熵准则的韧性子空间跟踪新算法

本文采用最大相关熵准则(MCC)对投影近似子空间跟踪(PAST)算法中基于最小平方误差(MSE)准则的目标函数进行修正,推导出适用于冲激噪声环境的韧性投影近似子空间跟踪新算法(MCC_ PAST算法).对两种冲激噪声模型包括,稳定分布噪声模型和混合高斯噪声模型环境下的时变波达方向估计问题的实验仿真表明,与基于韧性M估计的PAST改进算法(RLM_ PAST算法)相比,MCC_ PAST算法可以自适应地调整核长,对于阵列接收数据的变化体现出更好的适应性.