48、计算机视觉中特征点聚类与降维算法研究

计算机视觉中特征点聚类与降维算法研究

在计算机视觉领域，目标识别和数据降维是两个重要的研究方向。目标识别有助于让计算机理解图像中的内容，而数据降维则能简化数据表示，提高处理效率。下面将详细介绍两种相关算法：基于 GG - RNN 的特征点聚类算法和结合局部线性嵌入亲和矩阵的局部 Fisher 判别分析算法。

基于 GG - RNN 的特征点聚类算法

• 目标识别与聚类算法背景 ：目标识别在计算机视觉中占据重要地位，可分为整体目标识别和各部分的综合目标识别。在提取图像特征点后，通常使用聚类算法对特征点进行聚类，以实现多部分或多目标的聚类，并通过综合聚类结果来识别目标。常见的聚类算法有 K - means 聚类和 RNN 聚类等。RNN 聚类算法的优势在于无需预设聚类数量就能对特征点进行聚类，即使目标数量未知也能找到目标。然而，RNN 聚类方法的效果主要取决于相似性度量，传统的单链接、全链接和平均链接三种链接度量仅基于距离信息，缺乏图像中的其他信息，导致聚类无法结合其他图像信息来实现良好的聚类性能。
• RNN 聚类理论 ：RNN 聚类算法中，互为最近邻（Reciprocal Nearest Neighbors，RNN）指向量 $x_i$ 是向量 $x_j$ 的最近邻，同时向量 $x_j$ 也是向量 $x_i$ 的最近邻。最近邻是指从整个向量集中选取的向量 $x_j$ 在除向量 $x_i$ 本身外的整个空间中与向量 $x_i$ 的距离最近。RNN 算法的基本步骤如下：
  1. 给定数据集 $V$、空的最近邻链表 $L$，$R$ 存储 $L$ 之外的数据，$C$ 存储聚类结果。