基于低通保边滤波和尺度约束大津法的网格空间多尺度聚类方法

发布时间：2021-06-26 00:31

　　现有网格空间多尺度聚类方法未能将尺度因子作为模型参数实现尺度驱动的阈值提取,导致算法调参困难,难以全面挖掘空间数据的分布模式。海量空间点数据蕴含的信息更丰富,层次结构也更复杂,对聚类算法的参数自动化和计算效率提出了更高的要求。针对上述问题,该文从数据尺度和观察尺度提出了一种适用于海量数据的多尺度聚类挖掘方法:分别通过网格多分辨率和低通保边滤波器的尺度拓展机制实现了数据尺度和观察尺度上的尺度变换;将观察尺度层级作为参数引入大津法中,实现了观察尺度的密度阈值自动提取。实验结果表明:相比于传统低通滤波,该滤波方法具有良好的去噪保边效果;多尺度密度阈值提取算法能够有效地捕捉数据集中丰富的多层次信息,且计算复杂度低,可用于快速挖掘各类海量空间点数据中的多层次空间结构。 

【文章来源】：地理与地理信息科学. 2020,36(01)北大核心CSCD

【文章页数】：10 页

【部分图文】：

低通保边滤波结果

观察尺度用于表征确定网格划分下的数据集从微观到宏观的多层次规律。在空间规律的多尺度系统中,高层次空间规律涉及范围广、稳定性强、更注重宏观趋势,低层次空间规律涉及范围小、稳定性弱、更注重微观细节[31];而且,低层次空间的噪声也可能成为高层次空间的结构性成分,这些规律的多层次性造就了多层级的观察尺度。因此,为分析完整的空间层次规律,捕捉多个观察尺度的信息十分必要[32]。宏观规律是微观规律的组合表现,通过逐步整合局部细节所蕴含的整体性趋势,可得宏观空间规律,而低通卷积滤波器能够实现局部空间信息的整合,有利于发现多个局部信息中更稳定的整体性规律[33]。如图2所示,通过对原始点数据网格化并迭代执行多次低通滤波操作,发现数据集中的小簇不断融合成大簇,低层细节信息被逐层过滤,数据分布的整体性结构逐步突出。基于这一思想,本文通过滤波器的尺度变换,实现了观察尺度变换的效果,以支持微观到宏观空间规律的逐层挖掘。

宏观规律是微观规律的组合表现,通过逐步整合局部细节所蕴含的整体性趋势,可得宏观空间规律,而低通卷积滤波器能够实现局部空间信息的整合,有利于发现多个局部信息中更稳定的整体性规律[33]。如图2所示,通过对原始点数据网格化并迭代执行多次低通滤波操作,发现数据集中的小簇不断融合成大簇,低层细节信息被逐层过滤,数据分布的整体性结构逐步突出。基于这一思想,本文通过滤波器的尺度变换,实现了观察尺度变换的效果,以支持微观到宏观空间规律的逐层挖掘。1.2 算法流程


本文编号：3250260