基于密度划分的自适应鞋印图像聚类算法研究

发布时间：2024-07-03 01:31

　　鞋印作为案件侦破的重要线索,随着时间积累,数量不断壮大。而如何实现对大规模鞋印库的自动分类管理成为刑侦人员亟待解决的一大难题。聚类的目的是将相同花纹的鞋印图像标记为一类。但鞋印库存在图像质量层次不齐,类别数目众多,类内类间密度分布不均匀,类内距离大于类间距离以及同类点被非同类点包围等问题。所以基于以上特点,本文提出了基于密度划分的自适应鞋印图像聚类算法,主要工作如下:1)基于密度划分的聚类参数自适应计算鞋印数据结构复杂,仅通过固定的距离、密度等参数并不能准确描述类别间关系,需要深入挖掘各点间的位置关系,自适应得到聚类结果。在本文中,所有数据先根据密度阈值进行划分,再进行聚类,并计算簇间同类点与非同类点的比例,作为判别簇间是否合并的条件,实现了聚类算法的参数自适应。在两类公开数据集以及鞋印数据库上进行了实验,聚类结果接近人工设置最优参数。2)基于自然邻域图的簇划分自然近邻是通过自动搜索近邻点来确定点间位置关系,根据自然近邻点构建的自然邻域图可以更加准确反映数据的复杂结构。本文利用自然邻域图对簇进行细划分,将划分到一个簇的非同类点成功分离,实现了簇的准确划分,提高了聚类算法的纯度。同时改进...

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

图２．１现场鞋印类别数目所占百分比??Ｆｉｇ．２．１?Ｐｅｒｃｅｎｔａｇｅ?ｇｒａｐｈ?ｏｆ?ｖａｒｉｏｕｓ?ｃａｔｅｇｏｒｉｅｓ?ｏｆ?ｃｒｉｍｅ?ｓｃｅｎｅ?ｓｈｏｅｐｒｉｎｔｓ??

到的族进行细划分；第５章，针对簇间相似度进行分析，综合相邻簇??间跨簇点的距离关系、结构特点、密度分布这三个方面，改进了相似度的计算方法。??２．２鞋印图像数据集特点分析??聚类的目的是将具有鞋印花纹相同的标记为一类，算法的输入为无标签数据??＝?，…；ｃｙｘｄ，Ｗ为数据点个数。....

图２．?２现场鞋印各类别数目统计??Ｆｉｇ．２．２?Ｌｉｎｅ?ｃｈａｒｔ?ｏｆ?ｔｈｅ?ｍｅｍｂｅｒ?ｎｕｍｂｅｒ?ｆｏｒ?ｃｒｉｍｅ?ｓｃｅｎｅ?ｓｈｏｅｐｒｉｎｔｓ??

?基于密度划分的自适应鞋印图像聚类算法研究???３００?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?－??２５０?？?＊??皿?２００?－?－??毅??遯??Ｈ１５０＇?＂??Ｅ??不Ｔ＼?１００?■?－??５０?？?丨－??〇｜?．．?ｔｒｒ—???０?１０００?２０００?３０００?４０００?５０....

图２．?３各类鞋印图像的密度分布曲线??Ｆｉｇ．２．３?Ｔｈｅ?ｓｈｏｅｐｒｉｎｔ?ｄｅｎｓｉｔｙ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｃｉｒｃｕｅ?ｏｆ?ｅａｃｈ?ｃｌａｓｓ??

。??标准差的计算公式为：??丄??來）彳」７?２＞?Ｗ?－米））２?］２?（２．４）??其中Ｃ／为第／类，？，为Ｃ，．类的类内点数目，＊ｓ（ｃ，．）表示该类的密度标准差。??３．４１?１?■?＇??■?．．．丨丨??—密度均值??３?２?＇?＾密度最大值ｈ??ｉ?，?密度最小值....

图２．?６典型鞋印图像??Ｆｉｇ．２．６?Ｓｏｍｅ?ｔｙｐｉｃａｌ?ｓｈｏｅｐｒｉｎｔ?ｓａｍｐｌｅｓ??

?大连海事大学硕士学位论文???类间密度分布不均匀的情况。如图２．５各类内点的密度分布曲线，其中３２９１个单幅鞋印??图像类，它的密度值从１．４８到３．１范围广泛，密度较小的点到其他类的距离较远，密度??较大的点距离其他密度稠密类较近，同样其他数目较少的类别密度曲线同样存在这种问....

本文编号：4000320