排序方式: 共有32条查询结果,搜索用时 15 毫秒
1.
2.
为了有效利用少量先验信息提高多视角数据聚类效果,提出了一种基于距离度量学习的半监督多视角谱聚类算法(简称ML-SMC)。首先,利用距离度量学习引入先验信息,将多视角数据映射到反映先验约束条件的空间.然后,根据相似性构造每个视角的视图,将多视角聚类问题转化为最小正则割的图划分问题。实验结果表明:ML-SMC算法聚类结果的精度优于3种经典的多视角聚类算法和4种半监督单视角聚类算法。并且通过利用少量先验信息ML-SMC算法能够有效提高聚类效果。 相似文献
3.
针对分水岭图像分割算法对噪声敏感和易于产生过分割现象,提出了一种基于粒子群和区域生长的改进分水岭算法。该算法将区域生长与分水岭分割算法相结合,依据香农熵构建一个目标函数,确定区域生长参数;利用灰度均值计算区域间的差异度,将比较小的区域合并到与之相邻的差异度最小的区域中;利用粒子群算法对该目标函数进行全局寻优,实现图像分割。实验证明新算法较已有的几种分割算法有了很大提高,并有效地解决了分水岭算法的过分割问题,分割结果更加符合人的直观视觉特性,是一种有效、准确且实用的图像分割方法。 相似文献
4.
6.
7.
经过边缘检测得到的边缘图,通常会出现不同程度的边缘断裂现象,对后续目标识别、目标提取等带来了极大的困难。路径开(或闭)算子的特点是可定义一簇由单像素宽且方向、长度灵活的链式结构元素进行相关形态学运算,对于处理图像中线性结构具有极大的优势。提出了一种基于路径形态学的断裂边缘修复技术;实验表明,该算法能有效修复断裂边缘并控制其错误连接,为后续的图像处理提供了准确的信息。 相似文献
8.
由于高维空间中数据点比较稀疏,用传统方法来检测高维空间中的离群点不能达到预期效果。提出了一种基于局部线性嵌入的离群点检测方法(OLLE)。在OLLE降维方法中,建立了一种有效的粗糙集模型,使数据集的下近似中的点保持局部线性结构。同时构造两个权重,使所有样本点保持局部近邻结构,且保证在降维的过程中使离群点远离正常点。最后,在低维空间中,采用基于最小生成树的k-最近邻启发式方法来检测离群点。通过一系列的模拟实验,证明OLLE方法能达到很好的降维效果,并且在低维空间中可以有效地检测出离群点。 相似文献
9.
10.
首先给出了集值映射的次连续定义,并研究了集值映射空间的次连续性;然后给出了集值映射的P─连续定义,研究了集值映射的P─连续性,最后给出了集值映射的U─连续定义并研究了集值映射的U─连续性。 相似文献