20、高效聚类算法与监督学习分类的研究与应用

高效聚类算法与监督学习分类的研究与应用

1. 高效 EMST 聚类算法实验

在聚类算法的研究中，针对高维图像数据进行了一系列实验，以评估不同算法的性能。

1.1 实验二：户外环境感知分组

实验采用户外环境的图像数据。为准确表达图像内容，将训练图像分割成小的等移块，提取不同类型的颜色直方图特征向量，具体操作步骤如下：
1. 使用 24×24 像素的窗口和 16 像素的跳跃大小，对每个训练图像进行处理。
2. 分别提取维度为 10,648 的 RGB 颜色直方图、维度为 10,000 的 HSV 颜色直方图、维度为 10,648 的对手颜色直方图（OPP）和维度为 10,648 的变换颜色直方图。
3. 最终得到总共 121,660 个基于颜色直方图的特征向量。

接下来，将提出的基于最小生成树（MST）的聚类算法分别应用于 RGB、HSV、OPP 和变换颜色直方图。聚类结果如图 8.5 所示，在图中，左列显示 35 个原始场景图像中的 7 个，第二列显示 HSV 颜色直方图的聚类结果，第三列显示 OPP 颜色直方图的聚类结果，第四列显示 RGB 颜色直方图的聚类结果，第五列显示变换颜色直方图的聚类结果。

从图 8.5 可以看出，总体而言，与之前介绍的在相对低维颜色直方图中表现良好的其他聚类方法相比，所提出的方法在这些非常高维的稀疏特征数据上表现相当不错。具体来说，该方法在 HSV 颜色直方图上表现最佳，能够识别环境中存在的大多数感知；在 OPP 颜色直方图上表现次之，但在第二行的图像中遗漏了井盖感知；在 RGB 和变换颜色直方图上表现不太令人满意，对不同图像中存在的混凝土道路感知进行了过度分割。

<