【技术实现步骤摘要】
本专利技术涉及图像处理技术中的聚类方法,尤其是涉及一种初始聚类中心选取方法及聚类方法。
技术介绍
聚类分割技术是医学图像处理中比较常用的一种分割算法,聚类是将样本点分成多个簇的过程,同一簇内的样本点相似度最大,不同簇内的样本点相似度较小,由于聚类分割具有无监督的特性,非常适合处理缺乏先验知识的图像。聚类算法在数据分类时都要预先设定初始聚类中心,通过聚类中心的不断迭代更新最终收敛到稳定的聚类中心点。由于聚类的结果对初始聚类中心点有很大的依赖性,所以初始聚类中心的选取方式决定了最终聚类结果的好坏。传统的k-medoids聚类算法在初始聚类中心点的处理上为随机选取,由于聚类结果对初始聚类中心点的依赖性比较高,使用传统的k-medoids聚类算法对图像进行处理时,结果中存在的缺陷是:随机选取的初始聚类中心点容易使结果中出现错误分类的区域,并且结果中会出现一些异常点,这对图像的分析会产生干扰。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种能消除传统的k-medoids聚类算法分割图像时错误分类的区域、减少分隔结果中的异常点的初始聚类中心选取方法及聚类方法。本专利技术的目的可以通过以下技术方案来实现:一种初始聚类中心选取方法,包括以下步骤:S1,获取样本点集合lm,lm={x1,x2,x3,...xm
【技术保护点】
一种初始聚类中心选取方法,其特征在于,包括以下步骤:S1,获取样本点集合lm,lm={x1,x2,x3,...xm},从m个样本点中任选一个样本点作为第一类的聚类中心点,记为P{1},P表示聚类中心点的集合;S2,计算剩余样本点到第一类的聚类中心点P{1}的欧氏距离,令欧氏距离最大的点作为第二类的聚类中心点,记为P{2},所述剩余样本点为集合lm‑P中的点;S3,分别计算各剩余样本点xi与已得到的各聚类中心点P{j}之间的欧氏距离dij,i、j分别表示剩余样本点的编号和已得到的聚类中心点的编号;S4,对于同一个剩余样本点的各个dij,将其中数值最小的dij作为集合D中的元素,得到集合D后,将集合D中值最大的元素对应的样本点作为本步骤得到的聚类中心点,记为P{n},n≥3;S5,判断n是否达到设定要求,若是,则将P中的点作为聚类算法的初始聚类中心点,若否,则更新剩余样本点,并返回步骤S3。
【技术特征摘要】
1.一种初始聚类中心选取方法,其特征在于,包括以下步骤:S...
【专利技术属性】
技术研发人员:张相芬,房博文,马燕,李传江,
申请(专利权)人:上海师范大学,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。