半监督空间化竞争聚集算法及其在图像分割中的应用

摘要：

经典竞争聚集( CA)算法在聚类时对于样本中的少量已知信息没有加以利用，但这些信息往往需要应用到整个聚类过程中。此外，在相似度度量函数的选择上CA算法使用常见的欧氏距离，然而欧氏距离仅适用于团状数据，制约了算法的应用范围。针对上述问题，通过引入具备半监督学习能力的半监督项对隶属度矩阵进行增强，利用聚类中心和中心邻近的点组成空间，把样本点与该空间的距离替代欧氏距离作为新的相似度度量标准，并给出判断聚类中心能否合并的阈值参数，最终得到半监督空间化CA算法。通过在人造图像和真实图像上的分割结果表明，该算法能够更准确地获取聚类类别数以及更好的聚类效果。

关键词：竞争聚集算法、相似度度量函数、欧氏距离、半监督、空间距离、阈值参数

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61170122;江苏省自然科学基金资助项目BK2012552。

在线出版日期：2015-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：234-241