基于相关性比较算法的均值漂移图像分割*

迭代过程中带宽的大小对算法的准确性和效率有很大的影响,它不但决定了参与迭代的采样点数量,而且还会影响算法的收敛速度和准确性,因此带宽的选择十分重要。采用相关性比较算法计算均值漂移算法中的带宽,然后将均值漂移算法用于图像分割。实验结果表明,新算法能够获得较好的图像分割效果和质量。     

基于自适应带宽的快速动态高斯核均值漂移算法

由核密度估计推导获得的高斯核均值漂移算法因收敛速度慢在应用中效率不高.本文提出基于自适应带宽的动态更新改进方法.首先采用空间离散方法对数据集化简,然后引入动态更新机制,每次迭代后将数据集更新到均值点,并将聚集在一起的数据点用一个收敛点表示,同时根据数据集直径的变化,自适应地计算各向异性的带宽参数.实验表明,该方法提高了算法的收敛速度,降低了计算复杂度.     

基于HDFS的海量日志数据冗余点过滤算法仿真

利用当前算法滤除数据冗余点时,缺少对数据冗余点特征的提取、分类处理过程,导致滤除效率差、准确率低、存储开销过大.于是设计了基于HDFS的海量日志数据冗余点过滤算法.引入HDFS体系架构,利用数据采样时间序列获取数据冗余点的特征,并进行分类处理,提升冗余点的滤除效率;计算滤除前含有冗余特征的数据字节数与普通字节数之比的缩减率、误判率,减少存储开销量;为提高准确率、消除性能,采用相似度概念,根据冗余点的突出特征计算整体相似度,再通过均值漂移传递函数实现对数据冗余点的滤除.实验结果表明:上述算法滤出效率更好、准确率更高、存储开销量更小.     

基于覆盖树的自适应均值漂移聚类算法

为解决均值漂移聚类算法聚类效果依赖于带宽参数的主观选取,以及处理密度变化大的数据集时聚类结果精确度问题,提出一种基于覆盖树的自适应均值漂移聚类算法MSCT(MeanShift based on Cover-Tree)。构建一个覆盖树数据集,在计算漂移向量过程中结合覆盖树数据集获得新的漂移向量结果KnnShift,在不同数据密度分布的数据集上都能自适应产生带宽参数,所有数据点完成漂移过程后获得聚类结果。实验结果表明,MSCT算法的聚类效果整体上优于MS、DBSCAN等算法。     

基于前向查找和均值漂移的点模型鲁棒降噪算法

针对点模型提出了基于前向查找和均值漂移两种鲁棒统计方法的滤波算法。前向查找算法根据残差图自动检测离群点，并将输入的点云数据划分为多个不带离群点的最优局部降噪邻域。对局部邻域进行加权协方差分析，估计出该邻域的最小二乘拟合平面。在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点，核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面，将每一个采样点漂移到密度函数的局部最大值点，使点云曲面收敛为一个稳定的三维数字模型。实验结果表明，本文的算法是鲁棒的，能在有效剔除点模型表面噪声的同时较好地保持模型表面的尖锐特征。     

融合颜色和区域信息的彩色图像分割新方法

结合了均值漂移算法和区域合并算法,取长补短,提出了一种融合颜色和区域信息的彩色图像分割方法。该算法首先利用均值漂移求取各个局部极值(聚类中心),在带宽求取和权重设置上使用了自适应法则,使算法更具有适用性;然后使用一个基于阀值的区域合并算法,解决了均值漂移对纹理和关照变化的过分割。实验证明,该算法是有效的。     

基于多尺度核函数的散乱点云数据过滤方法*

针对光滑曲面采样散乱点云含有噪声及异常数据的问题,提出了一种基于多尺度核函数的过滤处理方法。采用核密度估计技术及均值漂移跟踪算法对原始点云数据进行聚类,结合局部似然函数来测度一个三维点位于采样曲面上的概率,利用过滤后的极大似然点集精确地逼近采样曲面,最后结合经典网格化算法能够获得较好的曲面重构效果。处理实例证明,该方法实用性好,不仅能够很好地抑制不同幅值的噪声,同时也能够探测到异常数据并进行自动清除。     

均值漂移算法的研究与应用

对均值漂移算法的理论和应用作一全面的综述．首先根据密度函数的非参数估计推导出均值漂移公式的一般形式，说明了均值漂移迭代算法的步骤及收敛性；然后重点讨论核函数的选择以及带宽矩阵的计算等关键技术；最后归纳了均值漂移算法在模式检测、聚类、图像分割以及物体实时跟踪等方面的应用，并展望了均值漂移算法在理论和应用中的研究方向．     

改进的均值漂移和粒子滤波混合跟踪方法

为提高粒子滤波视觉目标跟踪算法的准确性和实时性,提出一种基于均值漂移和粒子滤波的混合跟踪算法。将相异性较小的粒子进行聚类,利用均值漂移算法迭代各个聚类中的代表点,通过减少参与均值漂移迭代的粒子数来降低运算复杂度;根据跟踪情况自适应调整采样粒子数目和过程噪声分布,以提高跟踪精度和减少运算时间。实验结果表明,所提算法平均每帧计算时间不到传统混合跟踪法的一半,而且跟踪精度也有所提高。     

基于Mean shift的核窗宽自适应目标跟踪新算法

针对传统均值漂移算法(Mean shift)中核函数直方图对目标特征描述较弱、跟踪过程中核函数带宽的保持不变的缺点,提出了一种新的核函数带宽可变的Mean shift跟踪算法.在特定的色彩空间中,统计落入各区间的像素个数.并对各区间像素的位置建立高斯分布模型,采用二阶空间直方图实现目标建模,强化目标特征描述提高了跟踪的鲁棒性;结合边缘检测与角点检测选取目标特征点估算目标仿射模型确定伸缩尺度.适应目标多自由度变化下的跟踪.实验结果证明,该算法比原有算法跟踪效果更加准确和可靠.     

大数据集快速均值漂移谱聚类算法及其在图像分割中的应用

均值漂移谱聚类(MSSC)算法为模式识别聚类任务提供了一种较新的方案.然而由于其内嵌均值漂移过程的时问复杂度与样本容量呈平方关系,其在大数据集环境的实用性受到大大削弱.利用快速压缩集密度估计器(FRSDE)替代Parren窗密度估计式(PW)并融合基于图的松弛聚类(GRC)方法,提出了快速均值漂移谱聚类(FMSSC)算法.相比原MSSC,该算法的总体渐进时间复杂度与样本容量呈线性关系,并具有自适应性和便捷性.     

A clustering-based system to automate transfer function design for medical image visualization

Finding good transfer functions for rendering medical volumes is difficult, non-intuitive, and time-consuming. We introduce a clustering-based framework for the automatic generation of transfer functions for volumetric data. The system first applies mean shift clustering to oversegment the volume boundaries according to their low-high (LH) values and their spatial coordinates, and then uses hierarchical clustering to group similar voxels. A transfer function is then automatically generated for each cluster such that the number of occlusions is reduced. The framework also allows for semi-automatic operation, where the user can vary the hierarchical clustering results or the transfer functions generated. The system improves the efficiency and effectiveness of visualizing medical images and is suitable for medical imaging applications.     

On mean shift-based clustering for circular data

Cluster analysis is a useful tool for data analysis. Clustering methods are used to partition a data set into clusters such that the data points in the same cluster are the most similar to each other and the data points in the different clusters are the most dissimilar. The mean shift was originally used as a kernel-type weighted mean procedure that had been proposed as a clustering algorithm. However, most mean shift-based clustering (MSBC) algorithms are used for numeric data. The circular data that are the directional data on the plane have been widely used in data analysis. In this paper, we propose a MSBC algorithm for circular data. Three types of mean shift implementation procedures with nonblurring, blurring and general methods are furthermore compared in which the blurring mean shift procedure is the best and recommended. The proposed MSBC for circular data is not necessary to give the number of cluster. It can automatically find a final cluster number with good clustering centers. Several numerical examples and comparisons with some existing clustering methods are used to demonstrate its effectiveness and superiority of the proposed method.     

基于K-Means++聚类的体绘制高维传递函数设计方法

如何将体数据中重要的信息高质量地绘制出来是医学可视化急需解决的问题。基于高维直方图的高维传递函数交互设计法是目前流行的方法,但是该方法设计复杂且效果不理想。针对高维特征的传递函数设计问题,提出一个基于改进的K均值(K-Means++)聚类的高维传递函数自动设计与交互式的体绘制方法：首先,对三维数据场进行特征提取;然后,采用基于K-Means++聚类的传递函数自动生成方法;最后,提供便捷的交互式界面给用户进行调整。还利用基于图形处理器(GPU)的体绘制方法,充分利用图形卡的强大并行计算能力,达到实时绘制的效果。实验结果表明,该方法能消除高维传递函数设计的复杂性,并且能有效地融合多种人体组织结构特征,提高渲染效果。     

基于Shear-warp的交互式海量数据场体绘制算法

提出了基于min-max Octree快速分类Shear-warp的交互式海量数据场体绘制算法.主要包括根据海量数据的特征,快速读入数据以及设计适当的不透明度传递函数;建立Summed-Area表与min-max Octree数据结构,并对体数据进行快速分类,然后,利用分类的结果进行快速体绘制.实验证明该方法不仅效率高,而且显示效果好.     

基于SOM-PNN分类器的体数据概率分类及绘制

概率分类是三维医学体数据绘制必不可少的预处理环节。本文提出的ＳＯＭ－ＰＮＮ分类器，以贝叶斯置信度为基础，给出概率分类结果，并用于三维体制制，得到了良好的图像质量和较高的分类效率。     

一个新的体绘制加速算法

针对目前加速方式与传递函数交互设定需求的矛盾,提出了一个新的基于边缘切除原理的体绘制加速算法。算法针对两个关键难点:如何消除传递函数调整依赖性,如何识别空体素,提出了有效的绝对空体素识别准则,设计了高效的边缘空体素分离机制,构成了不依赖传递函数调整的加速模式。在保持高的图像质量的前提下,边缘切除算法具有显著的绘制速度提升。边缘切除过程在预处理阶段进行,算法参数易于选取和推广,具有广泛的适应性,非常适合需要交互设定传递函数的普及型医学图像分析系统应用。算法采用了规则的边缘切除方式,收缩后的体数据非常方便后续光线投射或溅射算法应用,可以方便地与其他各种加速方式组合使用,使不同角度的加速效果实现叠加,是当前各种主流加速技术的一个很好的互补技术。不同背景的运算实例,测试和验证了算法的有效性。     

Mean shift-based clustering

In this paper, a mean shift-based clustering algorithm is proposed. The mean shift is a kernel-type weighted mean procedure. Herein, we first discuss three classes of Gaussian, Cauchy and generalized Epanechnikov kernels with their shadows. The robust properties of the mean shift based on these three kernels are then investigated. According to the mountain function concepts, we propose a graphical method of correlation comparisons as an estimation of defined stabilization parameters. The proposed method can solve these bandwidth selection problems from a different point of view. Some numerical examples and comparisons demonstrate the superiority of the proposed method including those of computational complexity, cluster validity and improvements of mean shift in large continuous, discrete data sets. We finally apply the mean shift-based clustering algorithm to image segmentation.     

基于K均值聚类的体绘制传递函数设计方法研究

提出一种基于K均值聚类算法的体绘制多维传递函数设计方法。在利用灰度—梯度直方图分析体数据内部结构信息的基础上,应用K均值聚类算法对整个体数据进行聚类分类,对属于不同聚类中的体素值进行伪彩色映射,实现体数据与彩色编码的转换关系。实验表明,利用该方法所设计的体绘制传递函数能够揭示体数据的内部结构关系,重建的三维图像逼真、质量高。     

嵌套删失数据期望最大化的高斯混合聚类算法

针对聚类问题中的非随机性缺失数据, 本文基于高斯混合聚类模型, 分析了删失型数据期望最大化算法的有效性, 并揭示了删失数据似然函数对模型算法的作用机制. 从赤池弘次信息准则、信息散度等指标, 比较了所提出方法与标准的期望最大化算法的优劣性. 通过删失数据划分及指示变量, 推导了聚类模型参数后验概率及似然函数, 调整了参数截尾正态函数的一阶和二阶估计量. 并根据估计算法的有效性理论, 通过关于得分向量期望的方程得出算法估计的最优参数. 对于同一删失数据集, 所提出的聚类算法对数据聚类中心估计更精准. 实验结果证实了所提出算法在高斯混合聚类的性能上优于标准的随机性缺失数据期望最大化算法.