如需要完整文档点击下方 "点击下载文档" 按钮

聚类算法作为数据处理的一种技术,发展迅速且被广泛应用于各个领域。 密度峰值聚类算法( clustering by fast search and find of density peaks, DPC) 作为一种基于密度的聚类方法,可通过高效样本分配进行图像分割。 然而 DPC 算法的聚类结果依赖于参数截断距离 dc 的选取,为此提出一种基于信息熵的 DPC 算法以实现 dc 的自适应选取。 信息熵反映的信息大小与随机事件的概率呈负相关,随机事件发生的概率越大,提供的信息反而越少。 因此信息熵可以体现出事件的不确定性,故可将使得信息熵最小的 dc 作为 DPC 算法的最优参数。 另外聚类算法的簇类个数 K 普遍难以确定,而 DPC算法中的簇类中心通常由局部密度极大值点构成,改进算法则根据数字图像各区域内聚程度自适应确定 K 的选择阈值。为将 DPC 算法高效应用于图像分割,改进算法通过分块与合并的方式解决 DPC 算法时间复杂度较大的问题。 经实验对比,改进算法具有更精确的聚类效果;在图像分割方面,改进算法能够更为精准地提取图像分割边缘并与 GroundTruth 更加吻合。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于改进密度峰值聚类算法的图像分割》

将 完整文档 下载到本地，方便收藏和查阅

文件号：059410

点击下载文档