聚类集成理论与其在图像分类中的应用

前言

第1章 绪论

1.1 聚类分析的基本概念

1.2 术语及其表示方法

1.3 研究动机

1.4 本书研究内容

1.5 本书的结构安排

第2章 聚类分析的基本理论及方法

2.1 引言

2.2 聚类算法

2.3 用于聚类算法的优化和搜索技术

2.4 聚类集成技术

2.5 小结

第3章 基于数学形态学的聚类及集成

3.1 国内外研究现状

3.2 基本的数学形态学运算

3.3 基于数学形态学分级操作系列的聚类算法COHMMOP

3.4 基于数学形态学的聚类集成算法CEOMM

3.5 本章小结及进一步的工作

第4章 聚类集成中的差异性度量研究

4.1 国内外研究现状

4.2 聚类集成中差异性测量方法

4.3 聚类集体差异性度量分析

4.4 本章小结及进一步的工作

第5章 聚类集体生成方法研究

5.1 国内外研究现状

5.2 高差异性聚类集体生成方法CEAN和增强型差异性聚类集体生成方法ICEAN

5.3 实验比较与分析

5.4 本章小结及进一步的工作

第6章 一致性函数研究

6.1 国内外研究现状

6.2 基于GA的聚类集成算法CMCUGA

6.3 用概念型数据聚类算法解决聚类集成问题

6.4 本章小结及进一步的工作

第7章 利用聚类集成技术解决混合型数据聚类问题

7.1 国内外研究现状

7.2 基于集成技术和谱聚类技术的混合型数据聚类算法CBEST

7.3 实验研究与分析

7.4 CBEST算法小结

7.5 本章总结及进一步的工作

第8章 随机采样方法生成视觉词汇本集体实现图像识别

8.1 引言

8.2 视觉词汇本构造方法

8.3 实验

8.4 本章小结及进一步的工作

第9章 结束语

参考文献

图目录

图3.1 离散化参数m对检测到的簇个数的影响

图3.2 结构元素对探测出来的聚类核心形状的影响

图3.3 不同的数学形态运算序列对聚类结果的影响

图3.4 COHMMOP实验结果

图3.5 有5个形状各异的类的数据集

图3.6 图3.5所示的数据源使用离散化参数m=60离散化后的效果图

图3.7 利用不同的结构元素对图3.6所示的离散化后的数据进行开运算加闭运算后得到的不同簇核心

图3.8 将图3.7所示的十二种簇核心用绝对多数投票法得到的集成簇核心

图3.9 利用图3.8的簇核心进行聚类得到图3.5所示数据源的聚类结果(不同形状的符号代表不同的簇)

图3.10 k-means对图3.5所示数据源的聚类效果(不同形状的符号代表不同的簇)

图3.11 CEOMM实验结果(不同形状的符号代表不同的簇)

图4.1 各种差异性度量和CSPA集成准确度与集体大小之间的关系图

图4.2 差异性度量值对CSPA集成准确度散点图

图5.1 人工数据集Dataset1

图5.2 人工数据集Dataset2

图5.3 人工附加噪声数据比例对ICEAN的影响

图5.4 ICEAN在不同大小的待聚类数据集上的效果

图6.1 两个人工数据集

图6.2 CMCUGA集成效果versus单个成员聚类效果

图6.3 k-modes和LIMBO聚类集成效果

图6.4 六个人工数据集

图7.1 不同比例噪声数据对CBEST算法错误率的影响

图7.2 人工数据集Dataset1的两个数值型属性分布图

图7.3 人工数据集Dataset3的两个数值型属性分布图

图8.1 尽管有错误的成员分类器,分类器集成还是能够正确分类图像

图8.2 使用DIP方法构建一个视觉词汇本集体和相应的分类器集体

图8.3 RIP算法描述

图8.4 使用算法RTI+RIP生成视觉词汇本集体

图8.5 算法 RTI+RIP描述

图8.6 使用算法DIP生成视觉词汇本集体

图8.7 DIP算法描述

图8.8 使用学习到的视觉词汇本集体和分类器集体分类新图像

图8.9 数据集Dataset1中的图像

图8.10 数据集Dataset2中的图像

图8.11 数据集Dataset3中的图像

图8.12 数据集Dataset4中的图像

图8.13 三种集成方法和文献[152]和[145]中方法的错误正例判断数(上)和错误反例判断数(下)

图8.14 DIP算法分别在数据集Dataset2、Dataset3和House category of Dataset4(从上到下)错误正例判断图像(左)和错误反例判断图像(右)

图8.15 三种集成方法在数据集Dataset1(第一行)、Dataset2(第二行)和Dataset3(第三行)上的性能分析

图8.16 使用不同描述子的DIP在不同大小的数据集上的性能分析

图8.17 RTI+RIP的集体大小对集成性能的影响

图8.18 基于纯颜色描述子的词汇本(左)和基于边信息描述子的词汇本(右)

表目录

表4.1 不同平均成员准确度情况下各种差异性度量与CSPA集成准确度的相关系数

表4.2 不同的集体大小情况下各种差异性度量与CSPA集成准确度的相关系数

表4.3 六个不同的数据分布

表4.4 不同数据分布类型上的差异性度量与CSPA集成准确度之间的相关系数

表4.5 各种差异性度量与不同聚类集成算法集成准确度之间的相关性

表5.1 数据集描述

表5.2 不同数据集上各种聚类集体生成方法的比较

表5.3 不同的集成方法在不同的集体构造算法产生的聚类集体上的集成错误率

表6.1 四个数据集的相关信息

表6.2 CMCUGA算法与其他五种一致性函数在iris数据集上的聚类集成错误率

表6.3 使用不同发生器的CMCUGA聚类集成错误率

表6.4 LIMBO和k-modes与其他集成算法在iris数据集上的集成错误率

表6.5 六个人工数据集上各种聚类集成算法的错误率

表7.1 概念型数据集例子

表7.2 人工数据集Dataset1上的实验结果

表7.3 人工数据集Dataset2上的实验结果

表7.4 人工数据集Dataset3上的实验结果

表7.5 真实数据集the German credit dataset上的实验结果

表7.6 真实数据集Australian credit approval上的实验结果

表7.7 真实数据集the heart-disease/cleve上的实验结果

表8.1 数据集Dataset1上的实验结果

表8.2 数据集Dataset2上的实验结果

表8.3 数据集Dataset3上的实验结果

表8.4 提出的方法与其他方法的比较

表8.5 在数据集Dataset4上的比较结果

集成学习是利用多个学习机解决一个问题。聚类分析在图像识别、图像分类和信息检索等领域中有着重要的作用。聚类集成理论与其在图像分类中的应用系统讨论了聚类集成技术中的几个关键问题及其在图像分类中的应用，内容包括：基于数学形态学的聚类及集成；聚类集体中的差异性度量研究；聚类集体生成方法研究；一致性函数研究；利用聚类集成技术解决混合型数据聚类问题；最后，在图像分类这种特定应用情况下，提出应用聚类集成技术生成视觉词汇本集体，实现图像的特征提取和描述，有效提高了图像分类的效率与精度。

　　聚类集成理论与其在图像分类中的应用可以作为计算机、自动控制及信息工程类专业的研究生课程教材，也可供从事模式识别、机器学习、图像分析等相关领域的研究人员参考。