聚类与PCA融合的特征提取方法研究
张勇;陈莉
【期刊名称】《计算机工程与应用》
【年(卷),期】2010(046)011
【摘要】针对主成分分析(Principal Component Analysis,PCA)在克服变量多重相关性中的局限作用,提出了基于K-maxmin聚类的改进PCA特征提取方法,并结合RelieF算法去除分类不相关特征,可进一步提高算法效率和准确性.实验结果表明,该方法的特征提取效果优于传统的PCA方法.
【总页数】4页(148-150,189)
【关键词】特征提取;主成分分析;多重相关;RelieF算法;K-maxmin聚类
【作者】张勇;陈莉
【作者单位】西北大学信息科学与技术学院,西安,710127;西北大学信息科学与技术学院,西安,710127
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.小波分解与PCA方法的掌纹特征提取方法 [J], 苑玮琦; 黄静; 桑海峰
2.基于PCA的XML文档特征提取方法 [J], 郭丽红; 王箭
3.LS-SVM的非线性特征提取新方法及与PCA的关系研究 [J], 吴德会
4.一种基于PCA的组合特征提取文本分类方法 [J], 李建林
5.基于PCA方法的强化木地板表面图像特征提取 [J], 黄勇; 林春; 张健
关于图像特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 边缘 边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特
一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为:
文献计量学综述 一、起源及发展 早在20世纪初，人们已经开始对文献进行定量化研究，但是当时文献计量学并没有作为一门独立的学科而存在。直到1969年，英国著名情报学家阿伦.普理查德首次提出术语“Bibliometrics”，这一术语的出现标志着文献计量学的正式诞生。 三阶段：萌芽、发展和分化 萌芽（1917-1933）这一时期文献研究人员首创文献统计方法,并在一些学科领域解剖学和化学专业进行了文献计量分析的大胆尝试,取得了一定的成果。这些研究都为文献计量学的诞生与后期的发展奠定了基础 发展（1934- 1960）年注重理论研究与规律发现，著名的文献计量学的三大基本定律中的布拉德福定律以及齐普夫定律就是在这一时期发现的到 成熟与分化阶段全面发展与分化时期(1960年至今) 这一时期文献计量学已由狭隘的理论研究发展到了广阔的应用研究和指标的研究,同时涉及的领域和主题也越来越多。 迁移衍生： 专利计量学 文献计量学网络计量学 政策计量学 二、概念界定 文献计量学是以文献体系和文献计量特征为研究对象,采用数学、统计学等计量研究方法, 研究文献信息的分布结构、数量关系、变化规律和定量管理,并进而探讨科学技术的某些结构、特征和规律的一门学科。可以定量地揭示某一学术领域的发展历程、研究重点以及未来的研究方向。目前，文献计量分析已被看作总结历史研究成果、揭示未来研究趋势的一种重要工具。学科交叉使得文献计量研究内容体系日益丰富。数学中的图论、社会学中的社会网络分析、物理学中的复杂网络等理论与方法均被移植到文献计量学的研究体系中。 三、三大定律 布拉德福定律该定律描述文献分布规律，利用刊载某专业论文的数量来确定该专业的核心期刊，应用于指导文献情报工作和科学评价。 齐普夫定律该定律用以统计文献中的词频，通过文献的词频分析可确定学科或行业的研究热点和研究趋势。 洛特卡定律该定律描述著者人数与所著论文之间的关系。探讨了科学论文著者分布平衡的规律，在宏观的科学著作活动中，少数作者写出了大量文章，大多数人的著作还是很少的。依此定律推论出“杰出科学家数目仅是科学家数目的平方根”。 从表面上三大定律的统计对象各异，其结论也不尽相同，但是它们的研究方法存在着某些相似之处，事实上它们属于同一个分布体系。该体系被称为布－齐－洛体系。如果把期刊、字词、书籍、文章等称为信息发生源，将作品、论文、字词的出现、书籍的使用、文章的被引等称为产物，那么文献计量学的规律可认为是发生源数量与产物数量之间存在的函数关系。
聚类分析 1.1聚类分析的概念： 聚类分析法是理想的多变量统计技术，主要有分层聚类法和迭代聚类法。聚类分析也称群分析、点群分析，是研究分类的一种多元统计方法。 1.2常见的聚类分析法： K-means算法、凝聚聚类算法以及EM算法系统聚类法和Ｋ均值聚类法是聚类分析中最常用的两种方法 经典的聚类分析方法：【数据挖掘中聚类算法研究和发展-周涛】 1.2.1基于划分的相关聚类算法 K-means 算法是一种最为典型的基于划分的聚类分析算法，自从该算法被开发出来后，就一直被拿来研究和改进。该算法的主要思想是大家非常了解的，首先随机选取K个对象作为中心点，然后遍历每个数据对象，直到收敛为止。 1.2.2基于密度的相关聚类算法 DBSCAN 算法是一种较为常见的基于密度的聚类分析算法，该算法首先需要将任意的数据对象设定为核心数据对象，在Eps 范围内包含的数据对象数目要不少于Minpts 规定的个数，然后根据相应的规则来对核心对象进行合并，最终完成类簇的聚类分析。 1.2.3基于层次的相关聚类算法 BIRCH 算法[28]是一种出现较为基本且简单的可以进行良好的伸缩的层次聚类算法。该算法具有较好的聚类表现，它主要包含两个概
念：聚类特征(CF)和聚类特征树(CF-Tree)，通过这两个概念来进行描述并使得该算法能够有效地处理数据集。 1.2.4基于网格的相关聚类算法 Yang W 等人提出的STING(Statistical INformation Grid)算法的的核心思想是将目标数据集映射到矩形单元，该空间区域通过分层和递归方法进行划分，其主要是基于多分析率的网格算法。 1.2.5基于模型的相关聚类算法 EM(Exception-Maximization)算法是一种基于模型的聚类方法，该算法主要分为两步，期望步和最大化步。期望步先给定当前的簇中心，将每个数据对象划分到距离簇中心最近的簇，然后最大化步调整每个簇中心，使得该分派的数据对象到新中心的距离之和最小化，直到聚类收敛或改变充分小。 1.3目前聚类分析法的发展现状： 1.3.1高维数据聚类算法【高维数据聚类算法的研究及应用_孙志鹏】 随着信息技术的迅速发展，信息化的数据不断积累，高维空间数据的分析成为一个亟待解决的问题。因此，高维数据聚类分析成为聚类分析中一个重要的课题。目前，在高维数据聚类分析方面主要有基于传统聚类算法的改进，子空间聚类算法和基于数据对象相似度的聚类分析算法。 历经几十年的发展，研究学者已经针对不同的应用提出了许多改进的算法，大多数是基于常见的K-means算法、凝聚聚类算法以及
本科毕业论文 外文文献及译文 文献、资料题目：Cluster Analysis —Basic Concepts and Algorithms 文献、资料来源：https://www.doczj.com/doc/057630189.html, 文献、资料发表（出版）日期： 院（部）：土木工程学院 专业：土木工程 班级： 姓名： 学号： 指导教师： 翻译日期：
外文文献： Cluster Analysis —Basic Concepts and Algorithms Cluster analysis divides data into groups (clusters) that are meaningful, useful,or both. If meaningful groups are the goal, then the clusters should capture the natural structure of the data. In some cases, however, cluster analysis is only a useful starting point for other purposes, such as data summarization. Whether for understanding or utility, cluster analysis has long played an important role in a wide variety of ?elds: psychology and other social sciences, biology,statistics, pattern recognition, information retrieval, machine learning, and data mining. There have been many applications of cluster analysis to practical problems. We provid e some speci?c examples, organized by whether the purpose of the clustering is understanding or utility. Clustering for Understanding Classes, or conceptually meaningful groups of objects that share common characteristics, play an important role in how people analyze and describe the world. Indeed, human beings are skilled at dividing objects into groups (clustering) and assigning particular objects to these groups (classi?cation). For example, even relatively young children can quickly label the objects in a photograph as buildings, vehicles, people, animals, plants, etc. In the context of understanding data, clusters are potential classes and cluster analysis is the study of techniques for automatically ?nding classes. The following are some examples: Biology.Biologists have spent many years creating a taxonomy (hierarchical classi?cation) of all living things: kingdom, phylum, class,order, family, genus, and species. Thus, it is perhaps not surprising that much of the early work in cluster analys is sought to create a discipline of mathematical taxonomy that could automatically ?nd such classi?cation structures. More recently, biologists have applied clustering to analyze the large amounts of genetic information that are now available. For example, clustering has been used to ?nd groups of genes that have similar functions. ? Information Retrieval. The World Wide Web consists of billions of Web pages, and
西南民族大学学报·自然科学版第37卷5月专辑 Journal of Southwest University for Nationalities ?Natural Science Edition May. 2011___________________________________________________________________ ___________________________ 收稿日期：2011-03-01 作者简介：向培素(1974-), 女, 副教授, 主要研究方向: 计算机应用, 检索技术. 基金项目：本文是“西南民族大学校级科研项目”(09NYB007)的研究成果之一. 文章编号: 1003-2843(2011)05专-0112-03 聚类算法综述 向培素 (西南民族大学电气信息工程学院, 四川成都 610041) 摘 要: 聚类分析是一种基本的数据分析方法,它在数据挖掘,统计学,空间数据库技术,人工智能,生物学研究,机器学习, 模式识别等领域都得到了广泛的应用. 论文介绍了各类主要的聚类算法,并概述了其主要应用领域. 关键词: 聚类算法; 半监督聚类 中图分类号: G642 文献标志码: A doi ：10.3969/j.issn.1003-2483.2011.05专.33 随着信息技术的发展, 人们积累了越来越多的音、视频数据, 以及文本, 图片等数据, 为了从这些海量数据中查找, 提取有用信息, 出现了数据挖掘技术. 聚类作为数据挖掘的重要技术之一, 在机器学习、工程学、神经网络、生物学、统计学、地球科学以及社会科学和经济学等许多领域起着越来越重要的作用. 传统的聚类算法大致分为两类：层次聚类算法, 分割聚类算法. 1 层次聚类算法 层次聚类是对给定的数据对象的集合进行层次的分界, 根据一些指定标准把数据排列成一个树状结构的算法. 根据层次分界的表示方式, 层次聚类方法又可以分为凝聚的和分裂的两种. 凝聚算法先将每个数据作为一个簇, 然后根据一定的规则将簇合并, 凝聚算法又有单连接(single linkage)、全连接(complete linkage)和平均连接(average linkage)方法. 单连接是指当两个簇之间存在互连的边, 并且簇中数据最小距离小于等于给定的阈值, 则认为这两个簇的距离足够小, 可以合并. 全连接和单连接类似, 不过全连接是使用簇中数据的最大距离作为簇间距离. 平均连接使用两簇中数据的两两距离的平均值作为簇间距离. 分裂聚类先将所有数据归在一个簇里, 然后对簇中联系不紧密的数据进行分裂, 分到其他簇里, 分裂聚类有一些简化的算法, 如单元分裂法和多元分裂法. 单元分裂法每一次选取一个变量对簇进行分裂, 和变量相同的数据归为一类, 和变量不同的数据归为另一类. 多元分裂则是选取一个距离其他数据最远的数据构成分离组, 然后计算簇中每一个数据距离分离组的距离并和该数据与簇中其他数据的距离进行比较, 若该数据距离分离组的距离更近, 则将该数据划入分离组. 重复这个过程, 直到找不到这样的数据为止. 2 分割聚类算法 分割聚类法先对所有数据点进行较为粗略的划分, 然后通过重复的迭代算法使某个准则达到最优化来对划分进行修正. 分割聚类法又可以分为基于密度的算法, 基于网格的算法, 基于图论的算法, 基于平方误差的迭代重分配算法.
第37卷第7期测绘与空间地理信息 GEOMATICS ＆SPATIAL INFOＲMATION TECHNOLOGY Vol．37，No．7收稿日期：2014－01－22 作者简介：马宏斌（1982－），男，甘肃天水人，作战环境学专业博士研究生，主要研究方向为地理空间信息服务。 大数据时代的空间数据挖掘综述 马宏斌1 ，王 柯1，马团学 2（1．信息工程大学地理空间信息学院，河南郑州450000；2．空降兵研究所，湖北孝感432000） 摘 要：随着大数据时代的到来，数据挖掘技术再度受到人们关注。本文回顾了传统空间数据挖掘面临的问题， 介绍了国内外研究中利用大数据处理工具和云计算技术，在空间数据的存储、管理和挖掘算法等方面的做法，并指出了该类研究存在的不足。最后，探讨了空间数据挖掘的发展趋势。关键词：大数据；空间数据挖掘；云计算中图分类号：P208 文献标识码：B 文章编号：1672－5867（2014）07－0019－04 Spatial Data Mining Big Data Era Ｒeview MA Hong －bin 1，WANG Ke 1，MA Tuan －xue 2 （1．Geospatial Information Institute ，Information Engineering University ，Zhengzhou 450000，China ； 2．Airborne Institute ，Xiaogan 432000，China ） Abstract ：In the era of Big Data ，more and more researchers begin to show interest in data mining techniques again．The paper review most unresolved problems left by traditional spatial data mining at first．And ，some progress made by researches using Big Data and Cloud Computing technology is introduced．Also ，their drawbacks are mentioned．Finally ，future trend of spatial data mining is dis-cussed． Key words ：big data ；spatial data mining ；cloud computing 0引言 随着地理空间信息技术的飞速发展，获取数据的手 段和途径都得到极大丰富，传感器的精度得到提高和时空覆盖范围得以扩大，数据量也随之激增。用于采集空间数据的可能是雷达、红外、光电、卫星、多光谱仪、数码相机、成像光谱仪、全站仪、天文望远镜、电视摄像、电子 显微镜、CT 成像等各种宏观与微观传感器或设备，也可能是常规的野外测量、人口普查、土地资源调查、地图扫描、 地图数字化、统计图表等空间数据获取手段，还可能是来自计算机、 网络、GPS ，ＲS 和GIS 等技术应用和分析空间数据。特别是近些年来，个人使用的、携带的各种传感器（重力感应器、电子罗盘、三轴陀螺仪、光线距离感应器、温度传感器、红外线传感器等），具备定位功能电子设备的普及，如智能手机、平板电脑、可穿戴设备（GOOGLE GLASS 和智能手表等），使人们在日常生活中产生了大量具有位置信息的数据。随着志愿者地理信息（Volunteer Geographic Information ）的出现，使这些普通民众也加入到了提供数据者的行列。 以上各种获取手段和途径的汇集，就使每天获取的 数据增长量达到GB 级、 TB 级乃至PB 级。如中国遥感卫星地面站现在保存的对地观测卫星数据资料达260TB ，并以每年15TB 的数据量增长。比如2011年退役的Landsat5卫星在其29年的在轨工作期间，平均每年获取8．6万景影像，每天获取67GB 的观测数据。而2012年发射的资源三号（ZY3）卫星，每天的观测数据获取量可以达到10TB 以上。类似的传感器现在已经大量部署在卫 星、 飞机等飞行平台上，未来10年，全球天空、地空间部署的百万计传感器每天获取的观测数据将超过10PB 。这预示着一个时代的到来，那就是大数据时代。大数据具有 “4V ”特性，即数据体量大（Volume ）、数据来源和类型繁多（Variety ）、数据的真实性难以保证（Veracity ）、数据增加和变化的速度快（Velocity ）。对地观测的系统如图1所示。 在这些数据中，与空间位置相关的数据占了绝大多数。传统的空间知识发现的科研模式在大数据情境下已经不再适用，原因是传统的科研模型不具有普适性且支持的数据量受限， 受到数据传输、存储及时效性需求的制约等。为了从存储在分布方式、虚拟化的数据中心获取信息或知识，这就需要利用强有力的数据分析工具来将
电气信息工程学院 外文翻译 英文名称：Data mining-clustering 译文名称：数据挖掘—聚类分析 专业：自动化 姓名：**** 班级学号：**** 指导教师：****** 译文出处：Data mining：Ian H.Witten, Eibe Frank 著 二○一○年四月二十六日
Clustering 5.1 INTRODUCTION Clustering is similar to classification in that data are grouped. However, unlike classification, the groups are not predefined. Instead, the grouping is accomplished by finding similarities between data according to characteristics found in the actual data. The groups are called clusters. Some authors view clustering as a special type of classification. In this text, however, we follow a more conventional view in that the two are different. Many definitions for clusters have been proposed: ●Set of like elements. Elements from different clusters are not alike. ●The distance between points in a cluster is less than the distance between a point in the cluster and any point outside it. A term similar to clustering is database segmentation, where like tuple (record) in a database are grouped together. This is done to partition or segment the database into components that then give the user a more general view of the data. In this case text, we do not differentiate between segmentation and clustering. A simple example of clustering is found in Example 5.1. This example illustrates the fact that that determining how to do the clustering is not straightforward. As illustrated in Figure 5.1, a given set of data may be clustered on different attributes. Here a group of homes in a geographic area is shown. The first floor type of clustering is based on the location of the home. Homes that are geographically close to each other are clustered together. In the second clustering, homes are grouped based on the size of the house. Clustering has been used in many application domains, including biology, medicine, anthropology, marketing, and economics. Clustering applications include plant and animal classification, disease classification, image processing, pattern recognition, and document retrieval. One of the first domains in which clustering was used was biological taxonomy. Recent uses include examining Web log data to detect usage patterns. When clustering is applied to a real-world database, many interesting problems occur: ●Outlier handling is difficult. Here the elements do not naturally fall into any cluster. They can be viewed as solitary clusters. However, if a clustering algorithm attempts to find larger clusters, these outliers will be forced to be placed in some cluster. This process may result in the creation
图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实
基于文献聚类的数据挖掘模型设计与实现 参赛队员：张静，李逸，徐良飞 指导老师：魏建香徐斌褚炜鑫 （南京人口管理干部学院江苏南京 210042） 摘要：聚类分析是统计学中的一项重要技术。通过聚类可以发现隐藏在海量数据背后知识。本文首先建立空间向量模型，改进了传统相似度的计算模型，提出了一种基于摘要词对关键词加权贡献的相似度模型，使得文献的空间向量更加精确。数据来源于05年CSSCI文献数据库图书情报学的3千多条文献数据，并通过中知网查询相关文献的摘要。通过数据清洗、去噪声、降维、规格化处理、样本抽样等一系列步骤，得到最终用于聚类的681篇文献和108个学科特征原子词。利用Matlab软件编程实现了FCM算法的文献聚类。将聚类的结果通过基于学科原子特征词的学科交叉表来表示，统计出图书馆学、情报学和文献学三个学科的研究热点及交叉点，以及图书情报学新的学科增长点，并对结果进行了检验，检验结果表明该统计模型是科学的、有意义的。 关键词：聚类; 交叉学科; 关键词; 摘要; 相似度; FCM 一、引言 1.研究背景 聚类分析（Clustering Analysis）是统计、模式识别和数据挖掘等领域中一个非常重要的技术，文献聚类就是依据文献之间的相似度按照一定的算法准则，挖掘隐藏在海量文献数据背后的有用知识：如学科交叉、研究热点和新的研究方向。科学研究需要创新。科学技术的发展为每个学科的发展带来新的机遇的同时，也带来更为严峻的挑战。目前，文、理、工、管等学科之间相互渗透、交叉、融合已经成为一种潮流和趋势，其深度和广度正在进一步深化。众所周知，近代科学发展特别是科学上的重大发现和国计民生中的重大社会问题的解
纹理特征是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题，一直是人们关注的焦点，各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上，回顾了纹理特征提取方法的发展历程，分析了其研究现状，对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本 文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别
ABSTRACT Texture is a kind of importa nt visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image process ing area. Texture feature extract ion has bee n the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extracti on methods has bee n emerged in en dlessly. On the basis of exte nsive literature inv estigati on, we review the texture feature extract ion methods, an alyze the developme nt of the research status of the texture feature extracti on methods and make a comprehe nsive review of its classificati on . Fin ally ,based on gray symbiotic matrix image problem extracti on methods,we research how to effectively extract image texture feature described by the image characteristic value to image recog niti on. Graylevel co-occurre nee matrix is a simple and effective image texture descripti on method.This method's advantage is: it can use the image pixels relative positions of the spatial in formatio n more to accurately describe the texture image.This paper use the graylevel co-occurre nee matrix of the properties to extract statistics from the matrix corresp onding as texture feature parameters to realize image recog niti on. KEY WORDS : graylevel co-occurrenee matrix, texture feature extraction, image recog niti on
图像分割概念：图像分割就是把图像分成各特性的区域并提取出感兴趣目标的技术和过程。这些区域互相不交叉，每一个区域都满足特定区域的一致性。医学图像的特点:成像设备的局限性、组织的蠕动-----伪影和噪声局部体效应------组织边缘模糊病变组织---------病变边缘不明确不均匀的组织器官-------灰度不均匀模糊、不均匀、个体差异、复杂多样医学图像分割方法的特点1、分割算法一般面向具体的分割任务，没有通用的方法2、重视多种分割算法的有效结合3、需要利用医学中大量领域的知识4、交互式分割方法受到日益重视图像分割算法基于区域的分割方法基于边缘的分割方法基于数学形态学的分割方法灰度阈值法:灰度值域法是把图像的灰度分成不同的等级,然后用设置灰度阈值的方法确定有意义的区域或分割物体的边界. 令f(x,y)原始图像 阈值的选取:1直方图法（极小值点阈值） 2 最小误差阈值 3 迭代阈值分割 4 最大方差阈值分割边缘检测（Edge Detection）:基本思想是先检测图像中的边缘点，再按照某种策略将边缘沿点连接成轮廓，从而构成分割区域。边缘：指图像局部亮度变化显著的部分. 边缘的检测方法:最简单的边缘检测方法是并行微分算子法。利用相邻区域的像素值不连续的性
质，采用一阶或二阶导数来检测边缘点。一阶导数求极值点，二阶导数求过零点。一阶梯度算子:Roberts交叉算子Sobel算子 Priwitt 算子二阶拉普拉斯算子:在此基础上LoG 算子 Canny算子 :推导了最优边缘检测算子区域生长(region growing) 基本思想：将具有相似性质的像素集合起来构成区域。具体步骤：先对每个需要分割的区域找一个种子象素作为生长的起点，然后将种子象素周围邻域中与种子象素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子象素所在的区域中。将这些新象素当作新的种子象素继续进行上面的过程，直到在没有满足条件的像素可被包括进来。这样一个区域就生长了。解决的问题：① 如何选择一组能正确代表所需区域的种子象素； ② 如何确定在生长过程中能将相邻象素包括近来的准则；③如何确定生长终止的条件或规则例如：每一步所接受的邻近点的灰度级与先前物体的平均灰度级相差小于2。起始第二步第三步558655865586 48974897 4897 228322832283 333333333333 分裂合并(splitting and merging) 基本思想：从整幅图像开始通过不断分裂得到各个区域．具体步骤：先把图像分成任意大小且不重叠的区域，然后再合并或分裂这些区域以满足
第２５卷第３期计算机仿真２００８年３月文章编号：１００６—９３４８（２００８）０３—０１２６—０３ 一种基于投票策略的聚类融合算法 李金磊１，朱晓莲２，朱海燕２ （１．中国石化勘探南方分公司研究院，四川成都６１００４１；２．中国地质大学（武汉）计算机学院，湖北武汉４３００７４）摘要：在分类算法和回归模型中，融合方法正得到越来越广泛的应用，但在非监督机器学习领域．由于缺乏数据集的先验知识，则不能直接用于聚类算法。提出并实现了一种基于投票策略的聚类融合算法，该算法利用ｋ—ｍｅｍｓ算法每次随机选取聚类中心而得到不同样本划分的特性，将多次运行得到的聚类结果通过投票的方式合并，从而得到最终的结果。通过一系列真实数据和合成数据集的实验证明，这种方法比单一的聚类算法能更有效地提高聚类的准确率。在此基础上，为了降低高维数据运算的复杂性，将随机划分属性子空间的方法应用到上述聚类融合算法中，实验证明，该方法同时也能够在一个属性子空间上获得好的聚类结果。 关键词：聚类融合；均值算法；投票策略；属性子空间 中图分类号：ＴＰｌ８文献标识码：Ａ ＡＣｌｕｓｔｅｒｉｎｇＥｎｓｅｍｂｌｅｓＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＶｏｔｉｎｇＳｔｒａｔｅｇｙ ＬＩＪｉｎ—ｌｅｉｌ，ＺＨＵＸｉａｏ—ｌｉａｎ２，ＺＨＵＨａｉ—ｙａｎ２ （１．ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＥｘｐｌｏｒａｔｉｏｎＳｏｕｔｈｅｍＤｉｖｉｓｉｏｎＣｏｍｐａｎｙ，ＳＩＮＯＰＥＣ，ＣｈｅｎｇｄＯＵＳｉｃｈｕａｎ６１００４１，Ｃｈｉｎａ； ２．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＧｅｏｓｃｉｅｎｃｅｓ，ＷｕｈａｎＨｕｂｅｉ４３００７４，Ｃｈｉｎａ） ＡＢＳＴＲＡＣＴ：Ｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｇｒｅｓｓｉｏｎａｌｇｏｒｉｔｈｍｓ，ｔｈｅｅｎｓｅｍｂｌｅｍｅｔｈｏｄ帅ｗｉｄｅｌｙｕｓｅｄ，ｂｕｔｉｎｔｈｅＵｎｓＵ?ｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ，ｉｔｄｉｄｎ’ｔｂｅｕｓｅｄｉｎｔｈｅｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｄｉｒｅｃｔｌｙｄｕｅｔｏｌａｃｋｏｆｐｒｉｏｒｋｎｏｗｌｅｄｇｅ．Ｔｈｉｓｐａｐｅｒ ｐｒｏｐｏ础ｔａｃｌｕｓｔｅｒｉｎｇｅｎｓｅｍｂｌｅｓａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｖｏｔｉｎｇｓｔｒａｔｅｇｙ，ｉｔｕｓｅｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｔｈａｔｔｈｅｋ—ｍｅａｎｓａｌｇｏ－ｒｉｔｈｍｓｅｌｅｃｔｅｄｔｈｅｃｌｕｓｔｅｒｉｎｇｃｅｎｔｅｒｓｒａｎｄｏｍｌｙａｎｄｆｏｕｎｄｔｈｅｄｉｆｆｅｒｅｎｔｐａｒｔｉｔｉｏｎｓｏｆｔｈｅｓａｍｐｌｅ．Ｔｈｅｎ，ｉｔｃｏｍｂｉｎｅｄｔｈｅｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓｏｆｏｐｅｒａｔｉｎｇｔｈｅｋ—ｍｅａｎｓａｌｇｏｒｉｔｈｍｒｅｐｅａｔｅｄｌｙｔｏａｆｉｎａｌｒｅｓｕｌｔｖｉａｔｈｅｖｏｔｉｎｇｓｔｒａｔｅｇｙ．Ｔｈｒｏｕｇｈｔｈｅｅｘｐｅｒｉｍｅｎｔｏｎｌｏｔｓｏｆｒｅａｌｄａｔａａｎｄａｒｔｉｆｉｃｉａｌｄａｔａ。ｔｈｉｓｍｅｔｈｏｄｃｏｕｌｄｒｅｃｅｉｖｅａｂｅｔｔｅｒｒｅｓｕｌｔｔｈａｎｔｈｅｓｉｎｇｌｅｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ．Ｍｏｒｅｏｖｅｒ，ｔＯｒｅｓｏｌｖｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｔｈｅｈｉｇｈｄｉｍｅｎｓｉｏｎｄａｔａ，ａｍｅｔｈｏｄｆｏｒｐａｒｔｉｔｉｏｎｉｎｇｔｈｅｆｅａｔｕｒｅｓｐａｃｅｒａｎｄｏｍｌｙｉｎｔｈｅｅｎｓｅｍｂｌｅａｌｇｏｒｉｔｈｍｗａ￥ｕｓｅｄ．Ｉｔｐｒｏｖｅｄｔｈａｔｔｈｉｓｍｅｔｈｏｄｉｓａｂｌｅｔｏｒｅｃｅｉｖｅａｇｏｏｄｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｉｎｔｈｅａｔｔｒｉｂｕｔｅｓｕｂｓｐａｅｅｂｙｔｈｅｅｘｐｅｒｉｍｅｎｔ． ＫＥＹＷＯＲＤＳ：Ｃｌｕｓｔｅｒｉｎｇｅｎｓｅｍｂｌｅｓ；Ｍｅａｎｓａｌｇｏｒｉｔｈｍ；Ｖｏｔｉｎｇｓｔｒａｔｅｇｙ；Ａｔｔｒｉｂｕｔｅｓｕｂｓｐａｃｅ ｌ引言 聚类算法在数值分析、数据挖掘和模式识别领域有着非常广泛的应用，它们通过将数据样本划分成不同的类别来发现和确定数据的结构分布…。文献［２］中介绍了大量的聚类算法，但在现实中还没有一个单一的算法能够识别出任意形态的数据结构分布口１。受到在传感器融合和分类器融合方面的成果的启发【．】，Ｆｒｅｄ和Ｊａｉｎ提出了一系列基于Ｃｏ一鹊一ｓｏｅｉａｔｉｏｎ关系矩阵的聚类融合方法¨Ｊ。Ｊ。随后，Ａ．Ｓｔｒｅｈｌ和Ｊ．Ｇｈｏｓｈ给出了聚类融合的定义并提出了三个基于超图的方法¨１；Ｌ．ＬＫｕｎｃｈｅｖａ等人详细研究了聚类成员的差异性对聚类融合结果的影响和聚类融合的稳定性问题悼。９１。近几年 收稿日期：２００７一０３—０９修回日期：２００７—０３—２０ ．．—．１２６?－—— 的一系列研究和实验表明，聚类融合方法能得到比单一算法更为优越的结果，能够很好地提高聚类算法的鲁棒性和稳定性，并且能够实行并行计算。 本文结合聚类融合的概念，提出了一种基于投票策略的聚类融合算法，该算法不仅计算量较少，而且聚类效果好。在此基础上，为了降低高维数据运算的复杂性，论文尝试采用随机划分属性子空间的方法，在不影响聚类效果的同时更进一步地减少了计算的工作量。 ２聚类融合概述 聚类融合（ＣｌｕｓｔｅｒｉｎｇＥｎｓｅｍｂｌｅｓ）是将多个对一组数据样本进行划分的不同结果合并成一个统一的划分结果‘７１。它的具体表达如下： 假设有ｎ个数据点Ｘ＝｛ｘｌ，也，ｘ３…．．如ｌ，对数据集ｘ 万方数据万方数据