测向交叉定位思想简单, 所需测量信息少, 在无源定位领域被广泛应用。针对传统测向交叉定位算法难以解决未知目标数目的定位问题, 提出了一种基于网格密度峰值的测向交叉定位算法, 将网格划分和密度峰值聚类引入测向交叉定位中, 并结合Hough变换制定了一种挑选类簇中心的规则。仿真实验和实测数据实验结果表明, 在含有噪声的情况下, 该算法能够自动识别目标的数目和位置, 具有较强鲁棒性, 可适用于实际问题。
无源定位 测向交叉定位 网格划分 密度峰值聚类 Hough变换 passive positioning direction-finding cross positioning meshing density peak clustering Hough transform
1 河南大学 软件学院, 开封 475001
2 河南大学 智能网络系统研究所, 开封 475001
为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。
图像处理 低秩稀疏表示 归一化光谱角制图 密度峰值聚类算法 噪声标签检测 image processing low rank sparse representation normalized spectral angle mapping density peak clustering algorithm noise label detection
1 兰州交通大学电子与信息工程学院，甘肃 兰州 730070
2 外交部钓鱼台宾馆管理局，北京 100080
针对传统模糊C-均值（FCM）聚类算法计算复杂度高、无法自动确定聚类数目的问题，提出了一种快速自动FCM聚类彩色图像分割算法。首先通过改进的简单线性迭代聚类（SLIC）超像素算法预分割图像，将传统基于单个像素的聚类转化为基于超像素区域的聚类，降低FCM计算复杂度；其次利用改进的密度峰值算法自动确定聚类数目，提高算法灵活性；最后，对超像素图像进行基于直方图的FCM聚类，完成图像分割。为验证所提算法的有效性，采用BSDS500、AID和MSRC公共数据库作为实验数据集，并与其他4种FCM分割算法进行了比较。实验结果表明，所提分割算法在分割精准度、模糊分割系数、模糊分割熵和视觉效果等方面均优于其他几种比较算法。
图像处理 图像分割 模糊C-均值聚类 改进的简单线性迭代聚类 改进的密度峰值算法 直方图聚类 激光与光电子学进展
2022, 59(22): 2210001
中国船舶集团有限公司第八研究院, 南京 211000
在雷达信号分选中引入密度峰值聚类, 可以快速发现聚类中心点, 无需确定聚类数目。借鉴势熵概念提出密度熵, 优化了聚类中核函数截断距离的选取算法。对如何自动判断聚类数目和聚类中心点问题进行了研究, 设计了门限函数和判断规则, 还对原算法的分配、合并准则进行了优化。仿真实验结果证明了该算法的有效性。
雷达信号分选 密度熵 密度峰值聚类 radar signal sorting density entropy density peak clustering
1 山东师范大学信息科学与工程学院, 山东 济南 250358
3 山东理工大学农业工程与食品科学学院, 山东 淄博 255000
4 4. School of Engineering, Cardiff University, Cardiff, CF24 3AA, United Kingdom
苹果的可见光谱目标的高效、 精准识别是实现果园测产或机器自动采摘作业的关键, 由于绿色目标果实与枝叶背景颜色较为相近, 因此绿色苹果的识别成为新的挑战。 再由于果园实际复杂环境因素影响, 如光照、 阴雨、 枝叶遮挡、 目标重叠等情况, 现有的目标果实识别方案难以满足测产或自动采摘的实时、 精准作业需求。 为更好地实现果园自然环境中绿色目标果实识别问题, 提出一种新的核密度估计优化的聚类分割算法(kernel density clustering, KDC)。 新算法首先利用简单的迭代聚类(simple linear iterative cluster, SLIC)算法将目标图像分割成不规则块, 集结小区域内近似像素点组成超像素区域, 计算单元由像素点转变为超像素区域, 有效降低数据复杂度, 且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊; 基于超像素构造R-B区域均值和G-B区域均值的二维特征分量, 建立针对聚类分析的青苹果颜色特征空间。 然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度, 为解决分割边界模糊问题, 在计算过程中利用核密度估计计算局部密度, 确保局部密度在不同复杂场景中的清晰准确表达, 以更精准找出被低密度区域分割的高密度区域, 实现任意形状的聚类。 最后以局部密度和距离构造寻找聚类中心的决策图, 该研究采用双排序算法实现聚类中心的自动选择, 完成目标果实的高效分割。 新算法通过SLIC算法获得图像的超像素区域表示, 数据点的局部密度通过核密度估计得到, 大幅降低算法的计算量, 实现目标图像的高效、 精准分割。 为更好地验证新算法性能, 实验采集多光照、 阴雨等环境下的遮挡、 重叠等复杂目标图像, 以分割效率、 分割有效性、 假阳性、 假阴性等指标进行评价, 通过对比k-means聚类算法、 meanshift聚类算法、 FCM算法和DPCA算法, 该研究提出的新算法分割性能均最优。
绿色果实 图像分割 密度峰值聚类 核密度估计 Green fruit Image segmentation Kernel density estimation Density peak clustering 光谱学与光谱分析
2021, 41(9): 2980
南京航空航天大学电子信息工程学院, 江苏南京 211106
针对雷达数据集中目标和杂波点迹的聚类不平衡问题, 提出一种基于改进 AdaBoost的密度峰值聚类法。介绍密度峰值聚类法的思想, 基于不对称误分代价改进 AdaBoost的误差函数, 提高正类错分代价权重, 将改进 AdaBoost和密度峰值聚类结合, 对由目标和杂波点迹组成的不平衡雷达数据集聚类。仿真实验结果表明, 该算法在保证总体聚类性能的同时提高对正类的识别。
不平衡数据 目标和杂波点迹 AdaBoost算法 密度峰值聚类 imbalanced data targets and clutter clustering AdaBoost algorithm density peaks clustering 太赫兹科学与电子信息学报
2021, 19(2): 308
1 新疆大学电气工程学院, 新疆 乌鲁木齐830047
2 大连理工大学控制科学与工程学院, 辽宁 大连116024
现有基础矩阵鲁棒估计方法存在精度不高、准确性较低等不足,基于此,提出一种利用多核学习改进密度峰值聚类的基础矩阵估计方法。首先,针对密度峰值算法需要选取参数和无法自动聚类等不足,引入多核学习和γ分布图进行改进;其次,以对极距离为特征,通过多核学习-密度峰值算法剔除匹配数据集中的异常值,得到较优内点集;最后,使用M估计法消除定位噪声误差,对内点子集进行进一步优化处理,并估计最终的基础矩阵。利用INRIA Dataset数据集对所提方法进行验证分析。结果表明:在保证匹配点信息较多的前提下,所提方法提高了基础矩阵的计算精度和准确性。
图像处理 多核学习 密度峰值 γ分布图; 最优内点子集 激光与光电子学进展
2020, 57(4): 041017
