快速有效的并行二分K均值算法.pdf

1、數據所表征的歸屬類是在數據之間復雜聯系的背后隱藏的一種難以被人們發(fā)現的模式。目前,已經有很多種聚類分析的方法被用在數據挖掘中來分析這種模式,這些方法各有利弊,有一些算法已經付諸實踐。K均值就是其中一種簡單易行的算法,但是該算法卻存在著很多弊端。K均值算法中需要由用戶來確定待聚類的個數K,而且初始的聚類中心也有很大的不確定性,這就導致了該方法具有不穩(wěn)定性且容易陷入局部最優(yōu)解,而得不到全局最優(yōu)解。
　　圖像分割是實現視覺理解的基礎,但

2、由于圖像結構和內容不同,要實現快速通用的圖像分割仍然是一個難題。聚類分析可以在圖像沒有先驗知識時進行初步分割?；诰垲惙治龅膱D像分割方法對樣本空間的約束小,分割算法的通用性好。無論是灰度圖像、彩色圖像分還是紋理圖像,都可以應用聚類分析方法完成分割。但是基于聚類分析的分割方法還不完善,主要因為聚類分析計算量大,存在極值問題和對噪聲樣本敏感。
　　對上述K均值方法存在的問題進行了研究,利用K均值方法對于數據二分的結果較為穩(wěn)定的特點,設

3、計并實現了并行二分K均值算法。該算法調用K均值對數據按照細胞分裂的方式進行切分,構建一棵滿二叉樹,當葉子結點數超過數據的類別數時對葉子結點進行部分合并,進而獲得最終的聚類結果在此過程中,并且把并行二分K均值方法應用于圖像分割。本文的研究工作主要要包括以下幾方面:
　　(1)用并行二分K均值方法與已經有的二分K均值方法進行對比實驗,實驗證實并行二分K均值相比于二分K均值具有較低的時間復雜度和較好的聚類效果。并行二分K均值方法保留了K