10.3969/j.issn.1000-3428.2015.02.045
半监督空间化竞争聚集算法及其在图像分割中的应用
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。
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
TP391.41(计算技术、计算机技术)
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。
2015-03-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
234-241