一种适合于SAR海面溢油图像的分割方法

提出了一种改进的模糊c均值聚类图像分割算法,利用直方图作为模糊c均值算法的初始值,克服了该算法对初始值敏感性的问题,并以ENVISAT ASAR和ERS SAR两种不同类型的溢油图像为例进行分析,实验结果表明,该方法是一种计算效率适中的SAR溢油图像分割算法.     

双边加权直方图模糊C-均值聚类分割算法

针对小目标图像分割的问题,提出一种双边加权直方图模糊C-均值聚类分割算法。该算法将样本信息和几何结构信息作为权值,对传统模糊C-均值聚类分割算法进行双边加权。并对加权聚类分割目标函数进行最优化推导,获得迭代求解的隶属度、聚类中心和聚类几何信息权表达式。对比实验表明,该分割算法能得到较好的分割效果。     

一种基于模糊聚类的快速图像分割算法

提出一种基于二维直方图加权的模糊c均值图像快速分割算法.通过将原图像和它的平滑图像相结合,构造一个二元组的“广义图像”,广义图像的直方图就是原图像的二维直方图.然后对此二维直方图进行塔形分解得到金字塔的上一层——顶层,相应地称原二维直方图为底层.最后,利用加权模糊c均值聚类算法分别对顶层和底层进行模糊聚类,从而实现对原图像的分割.实验结果与性能分析表明,该算法具有较高的分割速度和良好的抑制噪声的能力.     

基于二维直方图的中智模糊聚类分割方法

加入邻域像素均值,对中智模糊聚类分割算法加以改进,以提高其抗噪性能。将各像素与其邻域像素均值相结合,形成二元数组,统计其出现的频次,由此构造二维直方图。通过对此二维直方图进行中智模糊聚类,实现图像分割。对标准灰度图像添加椒盐噪声和高斯噪声,用以验证改进算法的性能。视觉效果及分割图像的峰值信噪比均显示,改进算法相比原中智模糊聚类分割法具有更好的抗噪能力和分割效果。     

基于AHLO与K均值聚类的图像分割算法

针对图像分割中K均值算法全局搜索能力差、初始聚类中心选择敏感的问题,提出了一种将自适应人类优化算法与K均值算法相结合的聚类算法.该算法利用自适应人类学习优化算法初始化聚类中心,提高K均值算法的稳健性.结果表明,该算法聚类得到的标准差相比传统K均值算法和基于粒子群K均值(PSO-Kmeans)算法分别小两个数量级和一个数量级,同时图像分割得到的PSNR值均较高,具有算法收敛速度更快,聚类质量更好,图像分割效果更好,适应性更强的优点.     

一种新的航拍玻璃绝缘子图像分割方法

针对直升机巡检输电线路所拍摄的彩色图像,提出一种新的航拍玻璃绝缘子图像分割方法.该方法首先利用彩色图像中玻璃绝缘子的颜色呈现聚类的特性,通过K均值聚类算法将绝缘子从复杂的背景图像中大致分割出来;然后利用绝缘子的形状特性,采用基于主成分分析的连通区域判决方法定位出绝缘子的具体位置.实验结果表明了此方法的有效性,而且与现有的一些玻璃绝缘子图像分割算法相比,该方法受不同光线和复杂背景影响较小,提高了绝缘子分割的准确性和鲁棒性.     

基于otsu算法和Hu不变矩的交通信号灯识别

针对智能汽车交通信号灯的识别问题,提出了一种高效准确的识别方法。首先对源图像进行形态学预处理,采用顶帽(top-hat)操作,强化待检测区域的亮度;接着应用otsu算法,自适应选取阈值,对源图像进行二值化处理;然后提取各区域轮廓的面积、周长、Hu不变矩,筛选检测交通信号灯所在区域;最后利用交通信号灯各颜色H分量的分布差异,通过颜色直方图来判断信号灯的颜色。实验结果证明,该方法能够对交通信号灯进行准确有效的识别。     

一种基于PSO的分割聚类算法

为了求得一个数据集的最优分割,提出了一种基于PSO的分割聚类算法-PKPSO,将PSO算法和K均值聚类算法有效地结合在一起,对群体中的候选解有选择地利用K均值算法做进一步优化以提高解的精度。通过对算法的分析,给出了控制参数选择依据。并将此算法与单独使用K均值、PSO算法及QPSO算法聚类进行比较,试验测试结果表明:PKPSO算法有更好的全局收敛性,不仅能有效地克服传统算法易陷入局部极小值的缺点,而且求得解的精度和算法的稳定性都明显优于其他方法。     

基于图像预处理分类分割的盲道分割算法

高准确分割率的盲道分割算法是实现高性能导盲系统的重要保障. 提出一种基于颜色直方图支持向量机方法,将盲道预分类为颜色盲道或纹理盲道,采用对HSV颜色空间的多参数融合的改善OTSU分割方法处理颜色盲道分割,采用基于纹理增强的K均值聚类方法处理纹理盲道分割. 通过有效的预处理分类,可以针对性地根据盲道的颜色或纹理特征进行识别,同时由于采用了改善的颜色和纹理分割算法,极大地改善了对不同种类和环境下的盲道的适应能力. 测试证明,该方法对于测试库图片平均分割准确率可达到90%以上.     

基于显著性检测的极光弧分割算法

针对全天空极光图像低对比度、边缘模糊的特点,提出一种基于显著性检测的极光弧分割算法。通过直方图统计全天空极光图像视野内的灰度信息,计算出视野内像素间的欧氏距离,以凸显极光弧区域,并生成极光弧显著图,再利用模糊C均值聚类分割算法对显著图进行分割,得到极光弧分割结果。采用中国北极黄河站观测的2000余张极光弧图像进行实验,视觉效果及利用分割图计算极光弧倾斜角与人工标注的对比结果均表明,与基于显著性的分割算法与最大类间方差法、模糊C均值聚类法、局部模糊C均值聚类法等分割算法相比较,具有较好的抗噪声性能和分割结果。     

交通流视频检测中背景初始化算法

为了获取具有运动前景物体的初始背景,提出一种基于聚类识别的背景初始化算法。首先利用滑动可变窗口检测每个像素的所有不重叠平滑子序列,获取可能背景;然后选择每个平滑子序列的中值样本点构建分类序列集,根据未知类别的无监督聚类识别思想获取背景子集,实现背景初始化。选取不同交通状态的视频训练序列,将本文方法同中值法、一致性检测法进行了对比实验。结果表明,本文方法具有良好的适应性,可克服缓慢运动大型前景物体造成的影响,实现覆盖率大于50%的背景初始化。     

基于进化思想的聚类算法及其类簇融合算法

针对K均值聚类算法对类簇数目预先不可知及无法处理非凸形分布数据集的缺陷,提出基于进化思想的聚类算法及其类簇融合算法．该算法将K均值聚类算法嵌入进化聚类算法框架中,通过调整距离倍参,将数据逐渐划分,在此过程中自动确定类簇数目,提出基于最近距离的中间圆密度簇融合算法和基于代表类的中间圆密度簇融合算法,将相似度大的类簇进行融合,使得k值逐渐趋向真实值．实验表明,该方法具有良好的实用性．     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

基于改进的K-means聚类算法的分类评价方法

针对学术期刊运行与管理中对审稿专家缺乏准确评价依据的问题,结合评价分析的需求和K-means聚类算法特点,提出了一种基于改进的K-means聚类算法的审稿专家分类评价方法,该方法通过研究初始聚类中心的选择和评价标准的量化、聚类维度的选择和分类值大小的合理选择等问题,较为准确地解决了审稿专家的分类问题。经实例分析验证,该方法得到的结果是合理的,并具有很强的可操作性,为建立科学的审稿专家库和准确高质量地送审提供了科学的依据。     

基于改进的潜在语义分析的文本聚类

文本聚类中不同文本表示方法获得的聚类效果不尽相同。引入潜在语义分析模型对文本进行表示,重新给出了针对潜在语义分析的特征权重计算方法,并提出了截断奇异值分解中K值的选取方法,达到了"词-文本"空间的降维去噪目的。鉴于K-means算法中初始聚类中心选取具有一定的随机性,应用相似性初始聚类中心选取方法确定了K-means的初始聚类中心,避免了随机选取聚类中心对聚类效果的影响。基于改进的潜在语义分析方法极大的降低了文本空间的维度,经实验证明改进后的方法在聚类问题中聚类效果显著。     

一种基于QAAR-树的空间索引方法

针对QCR-树聚类个数需事先确定和处理高维空间数据时面临着“维数灾难”的问题,通过自动确定K-means算法的聚类个数和初始聚类中心,来提高聚类质量,并对原始高维空间数据进行近似压缩来减少磁盘读写代价,提高查询效率,提出一种QAAR-树空间索引结构,同时给出QAAR-树的插入、删除和查询算法。实验结果表明,QAAR-树的查询性能优于QCR-树,能够有效地处理海量高维空间数据。     

多级分块的交通视频智能识别背景建模方法

为改善视频监控中的背景建模方法对于前景目标物较多或者光线变化的复杂环境效果不太理想的缺陷,提出一种多级分块背景建模方法.该方法以间隔N帧帧差法为基础,采用多级分块,并结合对称二值模式(center-symmetric local binary pattern,CSLBP)和码本(codebook,CB)等算法建立背景模型.通过模型得出背景较为清晰和完整,为下一步进行前景目标的准确识别提供良好基础.采用设计实验检验该方法的有效性,将其与局部二值模式(local binary pattern,LBP)、CSLBP、CB以及经典的混合高斯背景建模(mixture of Gaussian,MOG)等算法进行对比分析,得出采用此方法提取的前景目标物更加完整,边界更加清晰,且无明显分块图形出现.采用评分的方法对几种方法进行综合评分,该方法评分较高.在对前景目标物的提取方法中,该方法效果较好.     

数据挖掘技术中聚类算法的改进研究

针对K-means算法所存在的问题进行了深入的研究,提出了基于密度和聚类对象方向的改进算法(KADD算法).该算法采取聚类对象分布密度方法来确定初始聚类中心,然后根据对象的聚类方向来发现任意形状的簇.理论分析与实验结果表明,改进算法在不改变时间、空间复杂度的情况下能取得更好的聚类结果.     

基于二维熵分量的K均值攻击效果评估

提出了一种利用二维熵分量的K均值攻击效果聚类评估方法. 利用网络熵预处理攻击数据集,将效果数据映射到二维平面,并以二维熵分量作为聚类的输入,然后基于K均值算法建立聚类数据集与效果分类之间的关系,实现了对网络攻击效果结果集的明确划分,并提供快速有效的评估结果. 仿真实验结果证明,该方法能高效正确地处理攻击数据,并以评估结果类图的形式提供直观的评估结果.     

改进聚类算法在DRDoS攻击检测中的应用研究

针对DBSCAN及K-means聚类算法固有缺陷,提出基于信息熵的贪婪迭代增长式聚类算法(GIG-CA)。该算法将熵值理论引入聚类初始点的确立,以类内对象间欧几里德距离均值作为聚类的区域密度阈值,用贪婪法迭代增长生成聚类。将该算法应用于DRDoS攻击检测中,通过实验验证其正确性、鲁棒性及实用性。