从空间数据库发现聚类：一种基于数学形态学的算法

聚类算法能从空间数据库中直接发现一些有意义的聚类结构而不需要背景知识，是空间数据发掘和知识发现的重要手段。在分析已有聚类算法的基础上，提出了一种基于数学形态学的聚类算法，该算法能够处理任意形状的聚类，采用启发式方法自动确定最优聚类数。同时，该算法也可以在矢量型空间数据库中得到实现。试验表明算法是可行和有效的，且能处理存在噪音的数据。     

基于多主体技术和数学形态学的空间聚类算法

空间数据复杂多变、数据量庞大,且数据分析较为困难。为解决该问题,提出一种基于多主体技术和数学形态学灰度形态运算的聚类算法。将结构元素作为智能个体,Agent根据其所处空间位置环境的Moore Neighborhood值或VN Neighborhood值,采用OCC算子自主选择做灰度膨胀或腐蚀运算。实验结果表明,该算法具有较好的准确性、可靠性和灵活性,能对任意聚类形状进行快速聚类。     

DBSCAN算法与数学形态学在岩石薄片图像分割中的应用

在岩石薄片图像处理中,针对岩屑矿物个数未知、成像多为聚集的点状的特点,提出了一种基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法与数学形态学的矿物分割方法。首先,标记出每个颗粒目标,求得其中心坐标;其次,利用DBSCAN算法对岩屑颗粒目标中心进行聚类,将不同区域的岩屑目标分离出来;最后,利用数学形态学方法对聚类结果做膨胀、填孔、腐蚀等处理,得到颗粒的边界。实验分析表明:该方法聚类效果良好,参数容易控制并有一定的抗噪性能,对岩屑颗粒目标的提取有较好的效果。     

基于半监督聚类的人脸检测方法

将肤色与连续AdaBoost算法相结合进行人脸检测,并引入半监督策略指导肤色聚类从而建立肤色模型。在肤色聚类过程中,提出一种基于半监督的SKDK算法引导肤色聚类,依据各个像素簇的概率统计分布特性得到肤色模型。在此基础上利用数学形态学等知识对图像进行处理,得到人脸候选区域,将其作为连续AdaBoost分类器的输入进行人脸检测。实验结果表明,在多人脸的场景下,该方法的检测效果优于直接使用连续AdaBoost方法进行人脸检测的检测效果。     

基于马氏距离的文本聚类算法在自动阅卷系统中的应用

基于欧氏距离的传统模糊划分聚类算法较适用于球型结构的聚类。将其应用于维度较高的文本聚类时,准确率和效率均有所下降。为解决这一问题,提出一种基于马氏距离的文本聚类算法。该算法可发现非球形结构的类簇,在不需要先验知识的情况下,仅通过数学迭代即可得到聚类结果。鉴于当前无纸化考试系统的广泛应用,将该算法应用于主观题的自动阅卷系统中。通过对多种主观题的仿真实验,表明了该算法与C均值和FCM算法相比,不仅能获得较高的准确率,算法收敛速度也较快。     

基于数学形态学的聚类集成算法

提出了基于数学形态学的聚类集成算法CEOMM.它利用不同的结构元素的探针作用,对不同的结构元素探测出来的簇核心图进行集成,在集成所得到的簇核心基础上聚类.实验结果表明,算法CEOMM对有复杂类形状的数据集进行聚类时,效果比传统聚类算法更好,且能确定聚类数.而且由于采用了不同的结构元素进行探测,对于由不同形状的类构成的数据集其聚类效果很理想.     

基于数学形态学的带障碍约束的空间聚类算法研究

该文提出了一种基于数学形态学的带障碍约束的聚类算法。通过数学形态学的膨胀运算,进行连通区域的寻找,同时借助于进行膨胀运算的结构元素,确定障碍物与连通区域是否相交。算法与DBCluC算法不同的是:通过结构元素,大大减少了需要进行相交判断的点的数量,具有较高的时间效率。     

基于形态学聚类算法图像配准仿真研究

研究图像配准精确度问题。由于两张图片几何关系及量度均有不同,要达到配准效果应有空间一致性。传统的聚类图像配准算法进行图像配准时,配准精度较低,算法复杂度高等不足。为了有效提高图像配准的精确度,提出了一种改进的数学形态学和聚类算法相结合的图像配准方法。算法首先改进的基于空间模式均值聚类对图像进行区域分块,并对分块的位置进行空间聚类,并准确计算出基准图像的最后的配准位置,并采用数学形态学方法对配准后的图像进行边缘处理,最后评估配准图像的质量。仿真结果表明,提出的改进的算法有效的提高了配准精确度,是一种可行性有效的图像配准算法,为图像配准提供了依据。     

基于数学形态学的聚类分析

数学形态学广泛应用于图像识别之中.经典的聚类方法在聚类形状复杂时难于获得满意的结果.本文提出一种新的基于数学形态运算的聚类方法,通过合理选择离散化参数和结构元素,这种基于分级数学形态操作序列的聚类方法能较好地将各个簇分离开来.实验证明此方法比传统方法效果更好,并且能有效确定聚类数.     

一种基于多主体技术的分布式图像聚类算法

针对医学图像具有对比度较低,不同组织之间的模糊性较高的特点,给出一种基于多主体和数学形态学灰度形态运算的聚类算法。算法采用agent技术和多结构元素结合的模式,用结构元素做智能个体,每个不同类型的agents随机散布在离散空间格点上,在同时刻控制系统驱动下agents根据其自身结构元素的类型用给出的邻域平均算子自主选择作相应的运算进而实现图像聚类。算法无须先验知识和预处理操作,对初始聚类点不敏感,无须事先输入聚类簇数。算法具有分布式并行计算功能和自主分析能力。实验结果验证了该算法的可行性和可靠性。     

A mathematical morphology based method for hierarchical clustering analysis of spatial points on street networks

Spatial clustering analysis is an important issue that has been widely studied to extract the meaningful subgroups of geo-referenced data. Although many approaches have been developed in the literature, efficiently modeling the network constraint that objects (e.g. urban facility) are observed on or alongside a street network remains a challenging task for spatial clustering. Based on the techniques of mathematical morphology, this paper presents a new spatial clustering approach NMMSC designed for mining the grouping patterns of network-constrained point objects. NMMSC is essentially a hierarchical clustering approach, and it generally consists of two main steps: first, the original vector data is converted to raster data by utilizing basic linear unit of network as the pixel in network space; second, based on the specified 1-dimensional raster structure, an extended mathematical morphology operator (i.e. dilation) is iteratively performed to identify spatial point agglomerations with hierarchical structure snapped on a network. Compared to existing methods of network-constrained hierarchical clustering, our method is more efficient for cluster similarity computation with linear time complexity. The effectiveness and efficiency of our approach are verified through the experiments with real and synthetic data sets.     

Density-Based Clustering in Spatial Databases: The Algorithm GDBSCAN and Its Applications

The clustering algorithm DBSCAN relies on a density-based notion of clusters and is designed to discover clusters of arbitrary shape as well as to distinguish noise. In this paper, we generalize this algorithm in two important directions. The generalized algorithm—called GDBSCAN—can cluster point objects as well as spatially extended objects according to both, their spatial and their nonspatial attributes. In addition, four applications using 2D points (astronomy), 3D points (biology), 5D points (earth science) and 2D polygons (geography) are presented, demonstrating the applicability of GDBSCAN to real-world problems.     

空间聚类与方向关系的融合技术研究

在大数据量的环境下,传统空间数据的空间关系仅描述两个空间物体,从而出现数据存储冗余,检索速度慢等问题。提出改进的聚类算法对空间物体聚类,再在聚类结果的基础上表示空间物体的方向关系。提出了基于密度的K-均值算法和空间聚类与方向关系融合的新方法。所提方法增强了空间数据库对空间数据对象的空间方向关系的智能处理能力,节省了存储空间,提高了数据的查询速度。     

一种基于空间邻接关系的k-means聚类改进算法

空间对象不仅具有非空间的属性特征，而且具有与空间位置、拓扑结构相关的空间特征。利用传统的聚类方法对空间对象进行聚类时，由于没有考虑空间关系，同一类的对象可能出现在空间不相邻的位置。基于空间邻接关系的k-means改进算法将相邻对象的空间邻接关系作为约束条件加以考虑，使聚类结果既反映了属性特征的相似程度，又反映了对象的空间相邻状态，从而可以揭示不同类别对象的空间分布格局，因此其比传统的k-means方法更适合于空间对象的聚类分析。     

一种基于网格索引的数据聚类算法

为了提高基于密度聚类算法的效率,避免算法在执行过程中的多余搜索,提出了一种基于DBSCAN算法的改进的空间数据聚类算法。该算法采用对象邻域空间进行划分的方法,将网格索引结构应用于该算法。在核心对象的邻域内选择八个方向上未标记且距离核心对象最边缘的对象来扩展种子对象,减少查询次数,降低聚类的时间复杂度。在实验中,利用海量数据集对算法进行测试,测试结果证明新算法在保证聚类精度的情况下时间效率显著高于DBSCAN算法。     

一种基于连接度的空间线对象聚类算法

目前大多数聚类算法主要针对空间点对象且未考虑空间对象的拓扑关系。利用空间线对象相交关系定义了空间线对象连接度,提出一种基于连接度的空间线对象聚类算法SLCC(Spatial Lines Clustering Algorithm Based on Connectivity)。该算法以K-means算法为基础,以空间线对象的连接度作为“距离”进行空间线对象聚类。实验结果表明,SLCC算法能实现空间线对象的空间聚类,并具有较高的效率。     

扩展空间对象聚类问题的研究

扩展空间对象的聚类分析是空间聚类研究的焦点问题。扩展空间对象的聚类分析要求在聚类中不仅要考虑对象的位置,而且要考虑对象所占据的范围。空间近似是研究扩展空间对象聚类的基本思想,但是点近似的方法忽视了扩展对象覆盖范围的影响,经常造成聚类质量不高,同时点近似方法的算法代价比较高,影响聚类的性能和可伸缩性;最小外接矩形(MBR)近似的方法一定程度地保留了扩展空间对象的位置和范围信息,配合MBR距离或者扩展距离,使得扩展对象的聚类分析无论从质量还是性能都可以满足要求。文章最后比较了几种扩展对象聚类方法的聚类性能和效果。