基于DBSCAN的图像分割算法研究

图像分割能将一幅数字图像分成多个的不同区域,是计算机视觉的主要研究领域之一。文中在系统性研究DBSCAN算法的基础上，提出了一种改进型DBSCAN图像分割方法。该方法首先计算图像中每个像素点的局部密度，然后通过寻找局部密度峰值点来确定核心点，同时将邻域内的像素点加入同一簇中，来处理不同密度区域和噪声点的影响。实验结果表明，该算法对参数敏感度较低，能有效处理不同密度区域和噪声点，相比标准DBSCAN图像分割方法，其在聚类正确率、精度和效率等方面的表现更优秀。     

基于密度的聚类分析

密度聚类方法的指导思想是,只要一个区域中的点的密度大于某个域值,就把它加到与之相近的聚类中去。对于簇中每个对象,在给定的半径ε的邻域中至少要包含最小数数目（MinPts）个对象。这类算法能克服基于距离的算法只能发现“类圆形”的聚类的缺点,可发现任意形状的聚类,且对噪声数据不敏感。代表算法有：DBSCAN、OPTICS、DENCLUE算法等。     

一种基于相对密度的快速聚类算法

基于相对密度的聚类算法和快速DBSCAN聚类算法是典型密度聚类算法DBSCAN的两种改进算法,但这两种方法仍存在不足.文中提出一种基于相对密度的快速聚类算法,实验证明了该方法的有效性.     

一种基于近类点和模糊点的未知雷达信号分选算法

针对基于密度聚类（DBSCAN）算法不能发现雷达信号密度分布不均匀的缺陷,提出了一种基于近类点和模糊点的聚类方法。该方法利用同一部雷达数据的分布特性进行聚类,通过确定近类点和模糊点以达到分选不同密度分布的雷达信号,适用于未知雷达信号的分选。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

基于AP密度聚类方法的雷达辐射源信号识别

未知雷达辐射源信号识别一直是雷达对抗情报分析中的难题。针对基于密度的聚类算法在处理不均匀样本时识别率较低的缺陷,将该算法与亲和传递（AP）聚类算法结合,提出一种基于AP密度聚类的识别方法。该方法先利用AP聚类方法对数据样本进行初步聚类,再设定相关参数,运用基于密度的带有噪声的空间聚类（DBSCAN）算法进行二次聚类。相对于原样本,初始聚类结果分布具有一定的代表性,容易找到适合DBSCAN方法的参数值。测试表明该方法具有较高的识别率。     

一种简单有效的基于密度的聚类分析算法

对数据挖掘中基于密度聚类的相关概念和算法进行了讨论，对OPTICS（Ordering Pointers to Identify the Clustering Structure）算法聚类分析的正确性给以了证明。以DBSCAN，OPTICS为基础，提出了一种基于密度的简单有效的聚类算法。新算法主要在ε-邻域查询和种子队列的更新两个方面作了改进，给出了一种简单、效率较高的邻域查询方法-哈希表法，即对整个数据集合或部分数据作网格化处理。测试结果表明新算法能够有效地对大规模数据进行聚类，效率较高。     

一种基于高斯分布的自适应 DBSCAN 算法

针对传统的 DBSCAN 算法只能依靠经验来设置阈值(min Pts ,Eps)和无法对多密度数据集进行有效聚类的不足,提出了一种可适用于所有密度分布特征的数据集的基于高斯分布的自适应 DBSCAN 算法.该算法根据数据集的特点寻找最大的聚类效果指数(CEI)来确定 min Pts ,通过 Distk 图的层次数确定 Eps 个数并通过高斯分布中的参数估计来确定每个密度层次 Eps 大小,最后用所求得阈值进行聚类.将该算法与传统的 DBSCAN 算法分别应用于单密度数据集和多密度数据集,结果显示该算法更有效.     

结合多次DBSCAN和层次聚类算法的膜蛋白单分子定位超分辨图像分割

膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能，在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像（SMLM）技术为在纳米尺度解析膜蛋白的空间分布提供了可能，但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法（DBSCAN）是常用的聚类方法之一，但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法，该算法以DBSCAN方法为分割基础，通过进一步的面积阈值分析和层次聚类，在保持超分辨点簇图像精确聚类识别的前提下，仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法，有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。     

网络推荐系统中K-均值聚类算法的研究及优化

研究了聚类分析技术在网络推荐系统中的应用。由于k均值(k-means)聚类算法易受到局部最优与噪声点等因素的影响,文章结合DBSCAN(Density-based Spatial Clustering of Application with Noise)算法和MMD(Max-Min Distance)初始聚类中心选取算法,对原始k-means算法进行了改进,提出了DMK(Density-based and Max-min-distance K-means)算法。该算法使用DBSCAN选取高密度点作为第一个聚类中心点的备选范围,接着选择相距最远的K-1个点作为其余的K-1个聚类中心,然后用得到的这组初始聚类中心进行k-means聚类。仿真与实验结果表明,该算法选择的初始聚类中心比较分散且代表性好,聚类的迭代次数减少,聚类结果的纯度提高。     

DBSCAN聚类改进算法与支持向量机结合的道路路锥识别研究

基于激光雷达传感器,提出了一种道路路锥识别方法。首先,在传统DBSCAN聚类算法的基础上改进算法搜寻核心点的方式,对雷达所采集的数据进行快速地分割、聚类。接着,分析类簇,对每帧数据的类簇进行特征采样并赋予标签值。最后,通过支持向量机(SVM)训练样本数据,利用网格化搜索与交叉验证法优化SVM参数,得到类簇分类模型,用于识别路锥。实验结果表明,改进后的DBSCAN算法计算效率有了显著提升,并且对点云的聚类更具有针对性。经过多次随机数据集检测,分类模型的准确率保持在93以上,实现了对路锥的有效识别。     

基于信息熵的蚁群聚类DBSCAN改进算法

针对DBSCAN算法对数据分布不均匀和大规模数据处理问题上的不足,提出了一种新的整合算法,算法使用信息熵和蚁群聚类技术对聚类数据集进行代表性子集选择,在子集基础上进行DBSCAN聚类,实验证明这一算法能显著降低I/O耗费和内存需求,有效地解决含有分类属性的高维大规模数据集的聚类问题。     

DBSCAN算法在雷达全脉冲信号分选中的应用

对雷达辐射源信号进行准确分选是电子对抗情报分析的基础性问题,聚类是进行全脉冲分选的一种有效的方法。基于密度聚类的DBSCAN算法具有抗噪声性能好,能处理任意形状和大小的数据的优点,适合全脉冲信号的数据特征。文章应用DBSCAN算法对雷达全脉冲信号分选进行了研究,仿真结果证明该方法简单有效。     

改进DBSCAN算法中参数Eps值的确定

DBSCAN算法中,参数Eps的值对聚类结果影响很大。本文把算法中确定Eps的值转换为用户对数据中噪音水平的估计,使参数的确定更加客观。实验表明,改进后的算法有较强的鲁棒性。     

基于DBSCAN技术的SAR图像感兴趣区域鉴别

使用一种新奇的聚类方法从粗略检测后的SAR图像中提取感兴趣区域(ROI),再通过多特征提取和综合鉴别,去除虚警保留目标,为进一步的目标识别做准备。自动目标聚类是基于SAR图像的自动目标识别系统的难点之一,带有噪声的基于密度的聚类方法 (DBSCAN)可以发现任意形状的聚类目标,只依赖于两个不敏感的系统参数,通过区域判断缩减计算时间减少计算内存,很好地适应了自动目标识别的系统需要。多特征目标鉴别方案基于聚类结果,研究聚类得到的感兴趣区域,通过提取多种特征综合判断,有效去除了虚警。所述方法已应用于某SAR-ATR系统,得到了很好的应用体验。     

基于最近迭代点的毫米波雷达点云数据处理方法

毫米波雷达具有小型化、低成本等特点,可全天候、全天时工作,在高级辅助驾驶系统中发挥着重要作用。基于多芯片级联方案的多发多收（multiple-input multiple-out, MIMO）技术可有效提高毫米波雷达的角度分辨率,使得毫米波雷达点云成像成为可能。针对毫米波雷达图像点云稀疏、噪点多等问题,本文提出了一种基于最近迭代点的毫米波雷达多帧融合和自适应邻域半径的DBSCAN算法。首先,利用MIMO毫米波雷达技术获得多帧观测场景目标点云图像。其次,利用辅助信息得到点云匹配的初值,通过最近迭代点算法估计平移旋转矩阵进行精确匹配,实现多帧数据融合以改善图像点云稀疏问题。然后,设计自适应阈值的DBSCAN算法去除噪声,获得目标的点簇信息,再对聚类后的点簇目标求取最小外接矩形,结合目标散射强度,实现对车辆和围栏等不同类型目标区分。最后,利用外场（典型停车场场景）测试数据,对本文所提算法的有效性进行了验证。     

结合改进DBSCAN和统计滤波的单光子去噪算法

为了解决光子计数激光雷达探测数据中噪声点云过多的问题, 采用结合基于密度的噪声空间聚类应用算法(DBSCAN)和统计滤波算法的单光子点云去噪方法, 以美国国家航空航天局提供的多波束试验激光雷达实际飞行数据为实验数据, 通过k维树求取点云密度进行粗去噪, 然后运用改进DBSCAN算法和统计滤波算法进行精去噪, 进行了理论分析和实验验证。结果表明, 实验区目标点云识别率在85%以上, 性能优于经典的半径滤波算法。这一结果对于光子数据去噪是有帮助的。     

基于DBSCAN的单粒子激光电离质谱数据分析

大气气溶胶飞行时间质谱仪在对气溶胶粒子的测量过程中会产生大量包含单粒子的化学成分和粒径信息的数据.介绍了DBSCAN对三种混合气溶胶单粒子质谱数据进行聚类分析的研究,同以往的质谱分析方法相比,DBSCAN利用类的高密度连通性,可以快速发现各种形状的类,更有利于质谱数据的分析.实验结果表明,DBSCAN算法可以成功地对这三类物质进行分类.