11、图像中自适应提取山脉轮廓及不完整数据集的k-means聚类方法

图像中自适应提取山脉轮廓及不完整数据集的k-means聚类方法

1. 山脉轮廓提取相关内容

在山脉轮廓提取过程中，涉及到多个关键步骤，包括异常值检测、分类以及后续处理。

1.1 异常值定义与检测

定义了l - 异常值和最大l - 异常值。若o = (vi, …, vj)满足以下条件，则称其为l - 异常值：
- 对于所有i ≤ k ≤ j的vk，vk是弱异常值。
- 存在m, n ∈ {i, …, j}，使得n - m ≥ l，且对于所有m ≤ k ≤ n的vk，vk是强异常值。
当(vi - 1, …, vj)和(vi, …, vj + 1)都不是l - 异常值时，o = (vi, …, vj)被称为最大l - 异常值。在异常值检测步骤中，只关注最大l - 异常值。一旦找到l个连续的强异常值，就会尽可能扩展异常值范围，直到没有相邻的弱异常值为止。由于异常值分数计算可以在线性时间内完成，因此可以在线性时间内找到所有异常值。

1.2 异常值分类

异常值分为四类：
- 障碍物（obstacle） ：包含各种障碍物。
- segUp ：部分山脉被误识别为天空，轮廓在图像中位置过低。
- segDown ：部分天空被误识别为山脉，轮廓在图像中位置过高。
- falsePos ：被标记为异常值但实际上不是的部分。

采用加权k - 最近邻方法进行分类，使用一个包含80个异常值（每种类型20个）的手动标记数据集作为参考数据。