圖像分類中特征聚類算法研究.pdf

1、聚類在當(dāng)前數(shù)據(jù)挖掘領(lǐng)域中占據(jù)非常重要的位置，作為一種數(shù)據(jù)分析法主要被用來對樣本數(shù)據(jù)集進(jìn)行劃分，將各特征屬性相差較小的數(shù)據(jù)點(diǎn)劃分到同一類簇中，相差較大的則分布在不同的類簇中，可以作為圖像分類的預(yù)處理步驟。本文針對K-means算法的優(yōu)劣勢，從三個(gè)方面對其進(jìn)行學(xué)習(xí)和研究。
　　首先，經(jīng)典K-means算法在選擇聚類數(shù)和初始中心時(shí)比較隨機(jī)，缺乏客觀性，根據(jù)算法本身的特點(diǎn)，在利用其優(yōu)勢的同時(shí)要避開其劣勢，在此基礎(chǔ)上對其進(jìn)行改進(jìn)。首先利用距

2、離代價(jià)函數(shù)對聚類數(shù)的選擇方法進(jìn)行改進(jìn)，然后用基于距離的方法對初始中心的隨機(jī)選擇方式進(jìn)行改進(jìn)，并將其應(yīng)用到圖像分類系統(tǒng)，完成分類正確率的提高。
　　其次，提出了一種基于二分思想的改進(jìn)K-means算法，同時(shí)對聚類數(shù)的設(shè)置和初始中心的選擇兩個(gè)方面進(jìn)行改進(jìn)。先對數(shù)據(jù)集進(jìn)行兩兩劃分，直到滿足ER指標(biāo)時(shí)停止，然后對所有的子類簇根據(jù)ER指標(biāo)進(jìn)行合并，最終所有子類簇的個(gè)數(shù)為聚類數(shù)，每個(gè)子類簇的中心為初始聚類中心。
　　最后，借鑒二次聚類的