[发明专利]基于两阶段密度聚类的红外图像识别方法

说明书

本发明属于图像处理技术领域，具体为基于两阶段密度聚类的红外图像识别方法，包括两个阶段：使用Two‑round‑means算法将原始数据集聚成块，并形成个代表点。使用改进CFDP算法对块进行聚类。最终每一块中所有节点获得与代表点相同的类标签。本发明提供的方法，算法的时间复杂度和空间复杂度大大降低，有效的提高了算法的效率，使其能有效的对大规模数据集进行聚类；无需任何参数设置，在实际使用中更加简洁，方便，对各种类型的数据集有更好的适应性。

技术领域

本发明属于图像处理技术领域，具体为基于两阶段密度聚类的红外图像识别方法。

背景技术

通过远红外仪设备采集到大量图片处理为实验数据，利用TSD聚类算法对数据进行分析，判断结果。在分析过程中，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。

聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。

聚类分析源于许多研究领域，包括数据挖掘、统计学、机器学习、模式识别等。作为数据挖掘中的一个重要功能，聚类分析能作为一个独立的工具来获得数据分布的情况，并且概括出每个族的特点，继而集中注意力对特定的某些簇做进一少的分析。此外，聚类分析也可以和其他数据挖掘算法联合使用，作为其他分析算法(比如关联规则、分类算法等)的预处理步骤。预处理后，相应算法在特定的结果簇上进行专门的分析处理。

聚类的用途是十分广泛的。在生物学中，聚类可以辅助动植物分类方面的研究以及通过对基因数据的聚类，找出功能相似的基因；在地理信息系统中，聚类可以找出具有相似用途的区域，辅助石油的勘探；在商业上，聚类可以帮助市场分析人事对消费者的消费记录进行分析，从而概括出每一类消费者的消费模式，实现消费群体的区分。

聚类分析的算法可以分为划分法(Partitioning Methods)、层次法(Hierarchical Methods)、基于密度的方法(density-based methods)、基于网格的方法(grid-based methods)、基于模型的方法(Model-Based Methods)。

CFDP是基于密度的新聚类算法，2014年发表于science。可聚类非球形数据集，具有聚类速度快、实现简单等优点。

方法对象：需要聚类的数据集

方法目的：以数据集中的每一个实例的密度为模型基础，将待聚类的实例进行聚类

方法步骤：

步骤一：计算所有节点间的距离d_ij。

步骤二：取一个截断距离dc。

步骤三：通过公式(1)计算每一个节点i的密度ρ_i。

χ(x)为一种0-1函数。当x＜0时χ(x)＝1，否则χ(x)＝0

ρ_i的意义实际上是与节点i距离小于dc的节点的个数。

步骤四：对于每一个节点I，都找到所有比该节点i密度大的实例j，选取其中最小的距离d_ij，记为δ_i。

对于拥有最高密度的节点j，其δ_i为所有节点到节点i的最大距离。

步骤五：以ρ为横坐标，以δ为纵坐标，画二维图，在图上选取位于右上的节点作为类中心。

步骤六：将剩余点(非中心点)进行分配。