聚类分析及其在图像处理中的应用

《聚类分析及其在图像处理中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、多臻交博士学位论文聚类分析及其在图像处理中的应用ClusterAnalysisanditsApplicationonImageProcessing作者：肖宇导师：于剑教授北京交通大学2012年6月学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位论文作者签名：茜窖签字日期：Z．11．年f月叶日导师签名：签字日期：如似年

2、厂月圹日中图分类号：TP391UDC：学校代码：10004密级：公开北京交通大学博士学位论文聚类分析及其在图像处理中的应用ClusterAnalysisanditsApplicationonImageProcessing作者姓名：肖宇导师姓名：于剑学位类别：工学学号：07112059职称：教授学位级别：博士学科专业：计算机科学与技术研究方向：机器学习北京交通大学2012年6月致谢值此论文完成之际，回首这五年多的求学历程，感慨良多。五年来，有太多的人帮助过我，支持着我，没有他们无微不至的关怀和指点，就没有今天这篇博士论文。首先我要特别感谢我的导师于剑教授!感谢于老师多年来为我付出的巨大心血。

3、在攻读博士学位期间，于老师在学习和生活上都给予我亲切的鼓励和无私的帮助，让我终生感恩。为了能够让我接触到学术前沿，于老师多次为我提供参加学术会议的机会，加强了与同行的交流，拓宽了我的研究思路。于老师以严谨的治学之道、宽厚仁慈的胸怀、积极乐观的生活态度，为我树立了一辈子学习的典范，他的教诲与鞭策将激励我在科学和教育的道路上励精图治，开拓创新。同时我要感谢黄厚宽教授、罗四维教授、田盛丰教授、裘正定教授对我的论文写作的指导!感谢王志海教授、林友芳副教授、周学忠副教授、瞿有利高工、董兴业老师、尹传环老师、赵相坤博士后和张雷博士后的大力支持，特别感谢贾彩燕副教授和景丽萍副教授，贾老师和景老师在生活和

4、工作上都给我了很大帮助，两位老师亦师亦友的情感尤其令我感动。我还要感谢香港浸会大学曾铁勇老师。在香港求学的半年时间里，无论在生活上，工作上曾老师都给了我很大帮助。曾老师宽广的知识面、精到的研究思路和严谨的治学态度均使我受益良多。在博士学习期间，还得到实验室兄弟姐妹的帮助，他们是已毕业的冯奇博士、恽佳丽博士、陈萍博士、张小平博士、周丽平博士、贺利坚博士、汪廷华博士、张莹博士，以及在读的朱岩、马丽艳、龚书、万怀宇、纳跃跃、张辉、姜雅文、谢博望、张俊三、税仪冬、李颖红、杨柳、柴变芳、白晨燕、梁晔、李亚芳、王邦军等同学，在此对他们表示由衷的感谢!和他们愉快的相处，让我的博士生活充满了快乐，这将是我

5、永远珍藏的美好回忆。还要感谢我的朋友，他们的无条件支持是我完成博士学业的一大动力，这份友情我会倍加珍惜。最后要感谢我的父母和弟弟。家人的默默支持和无私奉献是我完成学业的支柱，谨以此文献给一直以来关爱我的家人们!摘要聚类分析作为一种无监督学习方法，是机器学习领域重要研究方向之一。近年来，数据聚类正在蓬勃发展，聚类分析已成功应用于图像处理，文本挖掘，生物信息学等诸多领域。本文重点研究聚类分析中两个关键问题：相似性度量和聚类算法的设计及应用。聚类的目的是发现相似对象的集合，因此如何度量对象间的相似性是聚类分析中的一个关键问题。本文基于现有的高斯型相似度计算模型，提出了新的相似度计算模型，并针对数

6、据特征对相似度的影响进行了讨论，将本质维数作为新的特征来改善相似性度量。在聚类算法设计及应用方面，针对不同的聚类问题，设计快速有效的聚类算法是十分必要的：本文分析了现有聚类算法的优缺点，提出了一种快速的基于相似度矩阵的聚类算法，并将其应用到图像分割中。考虑到现实中大多数图像受到了噪声干扰，为了降低噪声对图像分割和其他后续图像分析带来的影响，提出了一种基于稀疏表示的混合噪声去噪算法。本文的主要工作包括：(1)提出一种加权的自适应高斯型相似性度量方法。传统的高斯型相似度适用于同密度簇的聚类问题，而且对于数据中的野值点不够鲁棒。考虑到实际数据中野值点和不同密度簇的存在，提出了一种新的鲁棒的高斯型

7、相似度计算方法。基于已有的自适应高斯型相似度度量，新的相似度根据数据点的邻域信息对每个数据点赋以权值，并通过降低野值点的权重来降低野值点与其他数据点的相似度。实验表明新的相似性度量能更好地反映类内和类间数据点的相似性关系，得到更加满意的聚类结果。(2)提出一种基于本质维数的相似性度量。相似性度量不仅依赖于相似度计算公式，还依赖于数据的特征。数据集中的每个类可以看作是一个子流形，通过定义反映流形拓扑结构的数据特征来对各个子