谱聚类算法研究及其在舌象分割上的应用.pdf

摘要

摘要

谱聚类(SpectralClustering，SC)是一种基于图论的聚类算法，具有数据分布适

应性强、准确度高且能收敛于全局最优等优点。该算法广泛应用于数据挖掘、图

1)

像分割、模式识别等领域，但其存在以下明显缺点：处理大规模数据时耗时耗资

源，导致聚类效果差甚至无法聚类；2)针对密度分布不均匀的数据集聚类性能不佳；

3)在高维数据集上聚类性能差。针对上述问题，本文对SC算法进行研究与改进，

以提高其聚类性能，实现高质量聚类。此外，本文将改进的谱聚类算法应用于舌

象分割，旨在提高舌象分割的精度。本文主要研究内容如下：

（1）在处理大规模数据时，使用SC算法会面临相似度矩阵过大的问题；此

SC

外，当处理具有不同密度混合的复杂数据集时，算法的聚类效果并不理想。为

解决上述问题，本文提出了一种基于密度和近邻规则的谱聚类算法(Spectral

ClusteringAlgorithmBasedonDensityandNeighborRule，SCDN)。该算法首先利用

球覆盖模型将数据分成球，求球之间的相似度，从而极大地减小了相似度矩阵的

尺寸。其次，考虑到邻居球之间的密度差异，利用球密度和共享邻居规则，构建

相似度矩阵，解决SC算法忽略局部密度差异的问题。实验结果表明，SCDN算法在

大规模数据集和密度不均数据集上，具有较好的聚类性能。

（2）SCDN算法在处理高维数据时表现不佳，未考量不同特征对相似度影响

不同；此外，SCDN算法在邻居数量选择上缺乏自适应性，需要人工设定参数。为

解决上述问题，本文提出了一种基于特征波动的自适应谱聚类算法(Adaptive

SpectralClusteringAlgorithmBasedonFeatureFluctuation，ASC-FF)。该算法引入了

特征波动因子，思考数据特征列之间和数据点之间的内部联系。然后，根据每个

特征的方差，赋予不同特征不同的权重。最后，通过自然近邻思想自适应寻找自

然近邻球。实验结果表明，该算法提高了SCDN算法对高维数据的聚类性能。

（3）舌象分割是聚类技术的一个重要应用方向。目前传统的舌象分割技术

存在边缘分割不够精准、舌体识别精确度不佳的问题。为改善上述问题，本文将

改进的谱聚类应用于舌象分割。首先进行图像预处理去除背景。其次采用简单线

性迭代聚类对舌体图像进行预分割，并以超像素取代单个像素提高分割效率。最

后利用ASC-FF算法对超像素进行聚类得到分割结果。在舌象数据集上，结合

ASC-FF算法的图像分割方法分割效果良好，且具有很好的稳定性。

关键词：谱聚类；舌象分割；超像素；密度球；特征波动因子

I

西北师范大学硕士学位论文

目录

第1章绪论1

1.1研究背景和意义1

1.2国内外研究现状分析2

1.2.1谱聚类的研究现状2

1.2.2舌象分割的研究现状3

1.3论文结构安排4

第2章相关理论6

2.1谱聚类算法6

2.1.1谱聚类相关知识6

2.1.2谱聚类算法流程8

2.2评价指标9

2.2.1聚类评价指标9

2.2.2舌象分割评价指标10

2.3近邻规则10

2.4超像素分割算法11

2.4.1超像素介绍11

2.4.2超像素分割算法分类12

2.4.3超像素分割评价13

2.5本章小结14

315

第章基于密度和近邻规则