分层模糊最小-最大聚类算法及其在图像聚类中的应用研究

摘要

针对基于内容图像检索的研究问题之一,即如何建立合适的高维索引的问题,本文采用图像聚类技术作为建立索引的方法,在模糊最小.最大聚类神经网络学习算法的基础上提出一种分层模糊最小.最大聚类算法,并对其理论和应用进行相关研究.本文主要研究内容如下: (1)整理总结了国内外学术界关于聚类技术方面的研究成果,对聚类的基本概念和常用算法进行了详细的阐述. (2)研究了模糊最小-最大聚类神经网络的基本原理,分析了其样本次序依赖性问题产生的原因,提出了一种分层模糊最小-最大聚类算法,并对其可行性和有效性进行了分析验证. (3)综述了基于内容图像检索的相关内容,针对目前图像聚类中常用算法需要预先设定聚类数目的缺陷,将分层模糊最小-最大聚类算法应用到基于内容图像检索的图像聚类问题中,并通过与常用图像聚类算法的比较实验,显示了使用分层模糊最小-最大聚类算法进行图像聚类的良好性能.

目录

文摘

英文文摘

论文说明：插图清单、表格清单

独创性声明及学位论文版权使用授权书

致谢

第一章序言

1.1研究背景

1.2研究内容

1.3本文结构

第二章聚类技术

2.1聚类概述

2.2聚类算法

2.2.1划分方法

2.2.2层次方法

2.2.3基于密度的方法

2.2.4基于网格的方法

2.2.5基于模型的方法

2.2.6算法比较

2.3本章小结

第三章分层模糊最小-最大聚类算法

3.1引言

3.2模糊最小-最大聚类神经网络

3.2.1模糊超盒隶属度函数

3.2.2模糊最小-最大聚类算法

3.2.3模糊最小-最大聚类神经网络的实现

3.3分层模糊最小-最大聚类算法

3.3.1基本定义

3.3.2分层模糊最小-最大聚类算法

3.3.3实验及结果分析

3.4本章小结

第四章分层模糊最小-最大聚类算法在图像聚类中的应用

4.1基于内容图像检索概述

4.1.1特征提取

4.1.2图像聚类

4.1.3系统介绍

4.2分层模糊最小-最大聚类算法在图像聚类中的应用

4.2.1特征提取

4.2.2性能评价

4.2.3实验结果

4.3本章小结

第五章总结与展望

5.1总结

5.2展望

参考文献

攻读硕士学位期间发表的论文