典型文献
基于改进密度峰值聚类算法的图像分割
文献摘要：
聚类算法作为数据处理的一种技术,发展迅速且被广泛应用于各个领域.密度峰值聚类算法(clustering by fast search and find of density peaks,DPC)作为一种基于密度的聚类方法,可通过高效样本分配进行图像分割.然而DPC算法的聚类结果依赖于参数截断距离dc的选取,为此提出一种基于信息熵的DPC算法以实现dc的自适应选取.信息熵反映的信息大小与随机事件的概率呈负相关,随机事件发生的概率越大,提供的信息反而越少.因此信息熵可以体现出事件的不确定性,故可将使得信息熵最小的dc作为DPC算法的最优参数.另外聚类算法的簇类个数K普遍难以确定,而DPC算法中的簇类中心通常由局部密度极大值点构成,改进算法则根据数字图像各区域内聚程度自适应确定K的选择阈值.为将DPC算法高效应用于图像分割,改进算法通过分块与合并的方式解决DPC算法时间复杂度较大的问题.经实验对比,改进算法具有更精确的聚类效果;在图像分割方面,改进算法能够更为精准地提取图像分割边缘并与GroundTruth更加吻合.
文献关键词：
密度峰值聚类;图像分割;簇类合并;块处理;自适应截断距离
中图分类号：
作者姓名：
张力丹;王军锋
作者机构：
西安理工大学 理学院,陕西 西安 710054
文献出处：
引用格式：
[1]张力丹;王军锋-.基于改进密度峰值聚类算法的图像分割)[J].计算机技术与发展,2022(05):47-52
A类：
GroundTruth,簇类合并,自适应截断,自适应截断距离
B类：
密度峰值聚类算法,图像分割,clustering,by,fast,search,find,density,peaks,DPC,基于密度,聚类方法,dc,信息熵,应选,随机事件的概率,越少,此信,出事,最优参数,难以确定,类中心,心通,局部密度,极大值点,改进算法,数字图像,内聚,高效应用,分块,时间复杂度,实验对比,割边,块处理
AB值：
0.295863
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
