图像分割的谱聚类集成算法

图像分割的谱聚类集成算法

贾建华1,2,焦李成1,柳炳祥2

【摘要】摘要:针对谱聚类算法对尺度参数敏感的问题,利用集成学习算法良好的鲁棒性和泛化能力,提出了一种无监督集成学习算法——谱聚类集成算法.该算法先利用谱聚类的内在特性产生集成学习所需的多个聚类个体,再采用Hungarian算法对生成的聚类个体进行重新标记,计算每个样本点关于每一个类别所占的比例,得到一个成分向量,然后运用对数比变换将所得的成分向量映射到另一个空间,去除成分数据的不适定性,最后对映射后的数据进行聚类,从而得到最终的集成结果.通过对UCI数据集和纹理图像的仿真实验表明,所提算法的聚类准确率与常用的共识函数具有一定的可比性,且运算代价较小,所需时间大约为MCLA算法的一半,同时避免了精确选择谱聚类算法的尺度参数.

【期刊名称】西安交通大学学报

【年(卷),期】2010(044)006

【总页数】6

【关键词】关键词:谱聚类;集成学习;Hungarian算法;成分数据

聚类问题[1]是智能科学中的核心问题之一.传统的聚类算法如k均值算法等都是建立在凸球形的样本空间上.当样本空间不为凸时,算法会陷入局部最优.新近出现的谱聚类算法[2]克服了k均值算法的缺点,具有识别非凸分布聚类的能力,而且实现简单,不会陷入局部最优解,且能避免数据的过高维数所造成的奇异性问题,但谱聚类算法自身也存在一些如计算量较大、构造相似性矩阵时对尺度参数敏感等问题,至今还没有有效的解决办法.

集成学习将不同算法或者同一算法下不同参数得到的结果进行合并,从而得到比