[发明专利]一种优化的聚类方法

权利要求书

1.一种优化的聚类方法，其特征在于，所述方法具体包括如下步骤：

S1：将图像中所有的像素点集中在一个数据集中，计算所述数据集中每个像素点的密度函数值，选出所述数据集中密度函数值不小于数据集的平均密度函数值的像素点，由所述不小于平均密度函数值的像素点组建密集点集合Y；

S2：从所述密集点集合Y中选取两个像素点，组建集合Q；

S3：在所述数据集中通过焦点统计方法选取m个像素点，由所述选取出的m个像素点组建备选的初始聚类中心点集C，其中选取出的像素点的个数，具体为：

m＝η/2

其中：m为选取出的像素点的个数，η为密集点集合中Y元素的个数；

S4：将所述密集点集合Y中的像素点划分到集合Q中的各个初始聚类中心所在的类中，获取第一次聚类的平均最大相似度；

S5：从所述备选的初始聚类中心点集C中选择一个像素点，添加至所述集合Q中，作为所述集合Q中的一个新初始聚类中心，并将所述像素点在备选的初始聚类中心点集C中删除，重复步骤S4-步骤S5，将每次聚类的平均最大相似度进行比较，选出聚类平均最大相似度的最小值；

S6：将所述聚类平均最大相似度最小值对应的集合Q中的聚类中心作为最优kmeans聚类的初始聚类中心，进行kmeans聚类，获取聚类结果。

2.根据权利要求1所述的一种优化的聚类方法，其特征在于，所述步骤S1由不小于平均密度值的像素点组建密集点集合Y，具体如下：

S1.1：在所述数据集中，以所述数据集中的像素点为圆心，通过预设半径画圆，由在所述圆内的其他像素点，组建所述像素点的最近邻集合G_b(x_i)；

S1.2：根据所述像素点和像素点的最近邻集合G_b(x_i)，获取所述像素点和最近邻集合G_b(x_i)中各个最近邻点之间的距离，确定像素点的密度函数值，具体为：

其中：DF(x_i)为像素点的密度函数值，b为像素点的最近邻集合G_b(x_i)中的最近邻点的个数，d(x_i,g_f)为像素点和最近邻点之间的距离，δ为邻域半径；

S1.3：通过所述像素点的密度函数值，获取所述数据集的平均密度函数值，在所述数据集中选出密度函数值不小于数据集的平均密度函数值的像素点，组建密集点集合Y，其中密度函数值不小于平均密度函数值的像素点的密度函数值，具体为：

其中：DF(x_β)为像素点的密度函数值，为平均密度函数值，n为数据集中像素点的数目。

3.根据权利要求1或2所述的一种优化的聚类方法，其特征在于，所述步骤S2组建集合Q，具体如下：

S2.1：在所述密集点集合Y中，将所有像素点的密度函数值进行比较，选出最大密度函数值对应的像素点，作为第一个初始聚类中心；

S2.2：在所述密集点集合Y中，选出距离所述第一个初始聚类中心最远的像素点，作为第二个初始聚类中心；

S2.3：由所述第一个初始聚类中心和第二个初始聚类中心，组建集合Q。

4.根据权利要求3所述的一种优化的聚类方法，其特征在于，所述步骤S3由选取出的m个像素点组建备选的初始聚类中心点集C，具体如下：

S3.1：将所述数据集均分为m等分，其中所述等分的个数，具体为：

m＝η/2

其中：m为选取出的像素点的个数，η为密集点集合Y中元素的个数；

S3.2：在每个所述等分中，比较所有像素点对应的密度函数值，选出所述等分中最大密度函数值对应的像素点，通过每个所述等分中选取出的像素点，组建备选的初始聚类中心点集C。