基于视觉信息处理机制的启发式聚类算法研究

As an important part of data mining and machine learning, clustering has much room to be improved in automation and adaptability to various data sets. To avoid much prior guidance and artificial involvement, the present study analyzes the root of clustering, and constructs a kind of hierarchical clustering algorithm through simulating the delicate working mechanism of visual system and regarding clustering as cognitive problem. The study proceeds the research in two aspects—the improvement of the established frame and the application in image processing, which mainly includes: 1) the construction of forward feedback filter; 2) the collection and employment of the information in backward feedback process; 3) the application in image segmentation. The algorithm builds intelligent receptive field filter which is based on cognitive features, and is different point by point. Then, the algorithm matches arbitrary types of clustering features of data sets through the interrelationship of receptive field filters, so as to achieve the optimized clustering results. The remarkable superiority of the model is its intelligence, which enables the algorithms, with as little artificial interference as possible, to automatically adapt to data sets with various structures in feature space. The feedback mechanism in the new algorithm is able to make full use of structural information in image data to give feedback information, and can further be employed in semantic image segmentation, which can hopefully provide new way for semantic image segmentation.

作为数据挖掘与机器学习的一个重要研究领域，数据聚类在自动化程度和数据集适应能力方面有很大的提升空间。为避免大量的先验指导及算法人为干预，本课题从聚类问题的本源入手，把聚类看作认知问题，通过模拟视觉认知系统精妙的工作机制构建出一种启发式聚类算法。课题从已构建的模型框架的完善和图像处理应用两个方面进行研究，主要包括：1）正向反馈初始滤波器的构建；2）反向反馈过程中的信息收集与利用；3）在图像分割领域的应用。算法融入了视觉信息反馈机制，并构建基于认知特征的、逐点不同的、智能化的感受野滤波器，通过感受野滤波器之间的相互关系来匹配任意类型的数据集聚类特征，从而达到最优的聚类效果。其最大优势是其智能性，在尽可能少的人为干预情况下让算法自动的去适应数据集。新算法中的反馈机制可充分利用图像数据中的结构化信息进行反馈，进而应用于基于语义的图像分割问题，有望为该领域提供一条新的解决途径。

聚类是数据挖掘和模式识别领域的基础性算法，在应用中发挥着重要作用。聚类是把相似的模式分为一组的过程，目的是对数据进行简洁表达。基于视觉信息处理机制的反馈聚类算法研究项目是在前期工作的基础上继续进行研究，如对数据集本质结构的建模和特征提取。与前期工作不同的是该项目的聚类框架及算法平台进行了本质上的改进，以提高算法的速度和聚类效果。该项目的工作进展主要分为四个部分：方向性特征的捕捉、基于多尺度信息融合的聚类算法、基于类中心先验的信息反馈的多尺度融合聚类和基于多尺度聚类信息反馈的地球物理反演。.1. 提出了一套针对低秩数据的方向性特征检测与提取办法。该方法是一种精确建模方法，利用重采样对局部数据方差的影响关系推导而成，形成了一种能识别局部方向特征的相似性度量，并在此基础上提出了一种基于图论的聚类算法。新算法在排除噪声点和修复主方向上的断裂带（如眼底血管CT成像的显示不清晰）上可达到理想的效果。.2. 提出了一种新型的多尺度信息融合聚类算法框架。该算法框架在基于中心点搜索的基础上增加了数据类的边界检测，形成了一套基于图论的新型算法。在该算法框架下，定义了一种多尺度信息融合距离。在该距离作用下形成的算法融合了数据集的多尺度结构信息，然后通过对尺度的逐层分析可形成稳定的聚类结果。该算法框架在工业引擎CT扫描图像的部件检测方面取得了较好的效果。.3. 提出了一种基于类中心先验判断的信息反馈式聚类算法。概算法的提出主要基于具体的应用，如地矿的开采中获得的重力密度数据，岩矿和沉积物的重力密度是可以事先近似获得的。于是，借助于 -范数的优势，我们提出了一种基于类先验信息反馈的聚类算法。该算法整合了类的先验信息、数据集的密度差异信息、连通信息和局部方向信息，在聚类过程中不断进行信息的交换与反馈，获得了较好的效果。在没有类先验的情况下，算法可以整合其它三种数据集的结构信息进行聚类，实验效果依然明显。.4. 针对地球物理反演问题提出了一种基于多尺度信息融合聚类的多域岩石物理约束反演方法。该方法针对传统的岩石物理学中反演过程中的精度不高的问题，在反演的过程中加入了多尺度信息融合式聚类，从而形成了一体式基于聚类的反演模型。在反演过程中聚类可通过对相似性不断改进去修正反演模型，而反演过程又可以反过来为聚类提供更好的聚类数据集，在岩石物理学实验中获得了较好的效果。