晋中学院计算机科学与技术学院，山西晋中 030619
针对当前聚类算法应用于大规模多类别数据集中时，计算量较大，且算法性能严重依赖于 K值的不足，提出一种改进的加速 K均值聚类算法。算法主要由两种策略组成：一是基于质心下界 (PLB)的跳跃过程，新引入称为质心的固定点来计算对象和矩心间距离的下界，避免了常见聚类算法在收敛早期过程中的距离计算过程；二是基于不变矩心对 (ICP)的跳跃过程，如果矩心更新步骤完成后被分配及未被分配矩心的位置保持不变，则维持对象分配策略不变且无需计算与未被分配矩心之间的距离。此外，还给出了将本文算法与 Hamerly算法相结合的拓展算法以进一步提升聚类加速效果。对大规模高维图像数据集进行了仿真实验，结果表明，与 Hamerly算法相比，本文算法在获得相同聚类效果的同时，极大地压缩了距离计算量。当 K值较大时，本文算法的平均压缩率更高，平均耗时更少。
聚类 距离计算 质心下界 Hamerly算法 拓展算法 压缩率 耗时 clustering distance calculation Pivot Lower Bound Hamerly algorithm extended algorithm reduction rate elapsed time 太赫兹科学与电子信息学报
2019, 17(5): 885
1 大同煤炭职业技术学院建筑工程系, 山西 大同 037003
2 石家庄铁路职业技术学院测绘工程系, 河北 石家庄 050041
3 中国矿业大学环境与测绘学院, 江苏 徐州 221116
提出了一种基于k均值(k-means)聚类的点云精简方法。与包围盒法相比,在压缩率近似相同的条件下,k-means聚类方法能较好地保留细节特征,与原始数据的稠密稀疏分布更加一致,所建模型表面更光滑。
图像处理 点云精简 k均值聚类 曲面拟合 均方根曲率 压缩率 激光与光电子学进展
2019, 56(9): 091002
