基于恒定曲率变化的主动轮廓模型

随着主动轮廓模型（又称snake模型）被广泛应用于无人参与的自动化任务,人们对模型的鲁棒性和自适应能力提出了更高的要求.而传统内部力模型的收缩效应,过平滑作用,及缩放可变性,导致了内部力模型的参数调整困难,很难由程序自动进行调整.据此,提出了基于恒定曲率变化的内部力模型.该模型不仅具有缩放不变性,而且在保证轮廓光滑连续的同时,未引入其他的副作用（如收缩,过平滑等）,提高了模型参数的鲁棒性.实验结果表明,该模型精确提取目标轮廓的能力得到增强,能够成功提取存在高曲率位置的凹陷轮廓,而且内部力大小衰减迅速,对轮廓点的增删不敏感,保证了模型快速稳定地收敛到期望轮廓.     

一种新的基于线性EIV模型的鲁棒估计算法

提出了一种新的基于线性EIV模型的鲁棒估计算法——鲁棒扩充算法．该算法从结构化数据区域出发，逐渐扩充模型数据集，并不断更新模型参数的估计，直至找到所有模型数据．在每次迭代中，使用C-Step方法对集合进行调整，从而保证了算法的鲁棒性．同时，提出了关于粗差数据和结构化数据分布的结构化密度假设，结合Mean Shift算法，完成对算法的初始位置选取．仿真结果表明，该算法可以有效地处理含有多个结构和大量离群样本的混杂数据，与现有算法相比，具有更强的鲁棒性和更高的精度．     

基于混合遗传算法的聚类分析

聚类问题在一定条件下可以归结为一个带约束的最优化问题.遗传算法作为一种鲁棒性很强的优化算法,可用于解决聚类问题.本文提出一种改进的混合遗传聚类算法通过全局搜索与局部搜索相结合的方法提高收敛速度,还采用基于最近邻基因匹配的交叉算子来维持群体的多样性.实验表明,该算法的局部收敛速度和全局收敛性能均明显优于已有的几种遗传聚类算法.