基于规范化的B样条密度模型的聚类算法

吉林大学学报(信息科学版)

基于规范化的B样条密度模型的聚类算法

刘哲^1,2, 谭振江¹, 王洪君¹

1. 吉林师范大学计算机学院, 吉林四平 136000； 2. 江苏大学电气信息工程学院, 江苏镇江 212013

收稿日期:2013-04-08 出版日期:2013-09-24 发布日期:2014-04-04
作者简介:刘哲（1982—）, 女, 吉林辽源人, 吉林师范大学讲师, 博士, 主要从事图像处理、模式识别、数据挖掘研究, (Tel)86-13664342721(E-mail)l_zhe1016@yahoo.com.cn; 通讯作者：谭振江（1965—）, 男,吉林辽源人, 吉林师范大学教授, 博士, 硕士生导师, 主要从事数据挖掘、计算机网络与数据库应用技术研究, (Tel)86-434-3291935(E-mail)tanzj@jlnu.edu.cn。
基金资助:
国家自然科学基金资助项目(60841003); 教育部博士点基金资助项目（20113227110010）; 吉林教育厅“十二五”科学技术研究基金资助项目（吉教科合字［2013］第448号）; 江苏省博士后科研资助计划基金资助项目（1202037C）

Clustering Algorithm Based on Normalized B-Spline Density Model

LIU Zhe^1,2, TAN Zhen-jiang¹, WANG Hong-jun¹

1. School of Computer Science, Jilin Nomal University, Siping 136000, China；2. School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China

Received:2013-04-08 Online:2013-09-24 Published:2014-04-04

摘要/Abstract

摘要：

针对有参混合模型的聚类算法需要假设模型为某种已知的参数模型, 存在模型不匹配及非参数正交多项式密度估计不是概率密度函数的问题, 提出了一种基于规范化的B样条密度模型的图像聚类算法。通过构建基于规范化的B样条密度函数的非参数混合模型, 利用非参数B样条期望最大(NNBEM: Non parametric B spline Expectation Maximum)算法估计密度模型的未知参数, 并根据贝叶斯准则实现图像的聚类。该方法不需要对模型做任何假设, 可有效克服有参混合模型与实际数据分布不一致问题。对模拟图像和真实图像数据进行仿真的结果表明, 规范化的B样条密度模型的聚类算法比其他算法具有更好的聚类性能。

关键词: 计算机图象处理, 聚类算法, B样条密度函数, 混合模型, 贝叶斯准则

Abstract:

Parametric mixture models for clustering algorithm depend too much on the prior assumptions and the orthogonal series density estimator is not a probability density function. To overcome these problems, a new image clustering algorithm based on normalized B-spline density model is proposed. A non-parametric mixture models based on normalized B-spline density function is designed, and NNBEM (Non-parametric B-spline Expectation Maximum) algorithm is used to
estimate the unknown parameter of the density model, and the image clustering is in accordance with the Bayesian criterion. This algorithm dose not require any prior assumptions on the model, and it can effectively overcome the problem of the inconsistency between the parametric mixture models and the actual distribution. Some experiments about artificial data and real images are tested. These results show that the clustering method based on normalized B-spline density model is better than other algorithms.

Key words: computer image processing, clustering algorithm, B-spline density function, mixture model, Bayesian criterions

中图分类号:

TP391.4

刘哲, 谭振江, 王洪君. 基于规范化的B样条密度模型的聚类算法[J]. 吉林大学学报(信息科学版), 2013, 31(5): 522-527.

LIU Zhe, TAN Zhen-jiang, WANG Hong-jun. Clustering Algorithm Based on Normalized B-Spline Density Model[J]. Journal of Jilin University(Information Science Ed, 2013, 31(5): 522-527.