資源描述：
《基于聚類的圖像分割和分類器設計的研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、南京航空航天大學博士學位論文摘要傳統(tǒng)模式識別領域包含兩個重要的研究主題，即無監(jiān)督型聚類和監(jiān)督型分類。無監(jiān)督型聚類旨在利用樣本間的相似性，把具有相同特性的樣本分到同一個具有某種意義的簇中，從而發(fā)現(xiàn)樣本的潛在分布結(jié)構，更好地理解和分析數(shù)據(jù)；監(jiān)督型分類旨在根據(jù)給定的數(shù)據(jù)及其類標號設計出類判別函數(shù)，從而能對未知樣本的類別做出正確的預測。本文工作包含兩個部分，其第一部分集中在當樣本無類信息給定時，力圖設計出快速且魯棒的無監(jiān)督型聚類算法，使其能有效應用于圖像分割。而第二部分則集中在當樣本有類信息給定時，力圖設計出既能揭示數(shù)據(jù)的結(jié)構分布又能有效預測樣本類別歸屬的算法。本文的創(chuàng)新性成果主要包括：1
2、、提出了一種快速且魯棒的圖像分割框架。該框架具有兩個顯著的特點：（1）通過融合圖像的灰度信息和空間信息設計出相似性度量，并利用該度量達到去除圖像噪聲和保留圖像細節(jié)的雙重目的；（2）采用快速分割的思想使分割過程僅與圖像的灰度級個數(shù)Q有關，而與像素個數(shù)（N>>Q）無關，從而大大減小分割時間的復雜度。利用模糊C均值和高斯混合模型驗證了該框架的可行性和有效性。2、設計了一種魯棒的模糊關系分類器。該分類器不僅能揭示數(shù)據(jù)的內(nèi)在結(jié)構和決策數(shù)據(jù)的類別歸屬，而且能進一步利用聚類結(jié)構和類別之間的邏輯關系來幫助理解分類結(jié)果。由于該方法能有效地處理含有野值點的數(shù)據(jù)和含有非球狀結(jié)構的數(shù)據(jù)，因此具有較強的魯棒
3、性和較好的適用性。3、設計了一種簡單且有效的增強型模糊關系分類器。該分類器根據(jù)樣本的聚類隸屬度，選擇部分具有代表性的樣本來構造聚類與類別之間的邏輯關系，達到提高分類器魯棒性、有效性和減小算法時間復雜性的目的。4、設計了一個單目標同時聚類和分類學習框架SCC。SCC可同時完成以下三個工作：（1）監(jiān)督型魯棒的聚類學習；（2）有效的分類學習及其結(jié)果的解釋和分析；（3）聚類和類別間潛在關系的顯式揭示。在SCC的基礎上，進一步提出了多目標同時聚類和分類學習框架MSCC。與SCC相比，MSCC有以下兩個顯著優(yōu)勢：（1）用多目標形式刻畫聚類和分類問題，達到去除SCC中參數(shù)β的目的；（2）MSCC
4、擴大了SCC的解空間，因而可以獲得更優(yōu)的分類和聚類性能。5、設計了一個同時實現(xiàn)聚類學習、分類學習和度量學習的一般框架。這里的0度量學習可以等價為特征權值的學習。因此，該框架可同時達成如下四個目標：（1）學習出有效的特征權值來反映特征的重要程度；（2）在線性變換后的特征空間中，I基于聚類的圖像分割和分類器設計的研究實現(xiàn)有效的聚類學習；（3）基于新空間中的聚類結(jié)構，設計出有效的分類策略；（4）揭示出新空間中的聚類和類別間的概率關系。關鍵詞：模式識別，圖像分割，聚類學習，分類學習，模糊關系分類器，模糊C均值；高斯混合模型II南京航空航天大學博士學位論文AbstractTraditiona
5、lpatternrecognitioninvolvestwoimportanttasks:unsupervisedclusteringandsupervisedclassification.Theunsupervisedclusteringmethodscangroupsamplesintomeaningfulclusters,andthusmakeanassessmentofdatastructureandfurtherfacilitatebetterunderstandingforthedata.Thesupervisedclassificationmethodscanutil
6、izetheclassinformationtodeterminetheirdecisionfunctionswhichcanprovideaclasslabeltoanewlyencountered,yetunlabeledsample.Thedissertationconsistsoftwoparts.Firstly,whenclasslabelsofgivensamplesareunavailable,theeffectiveclusteringmethodsaredevelopedtosegmentthegray-valueimagesinanunsupervisedman
7、ner.Secondly,whenclasslabelsofgivensamplesareavailable,themethodsrealizingbothclusteringandclassificationlearningarepresentedtonotonlyrevealtheunderlyingstructureofthedatabutalsoconstructtheeffectiveclassificationmechanism.Themaincontri
