基于改进密度峰值聚类算法的图像分割

来源：计算机技术与发展杂志2022年第05期北京时间：

作者：张力丹;王军锋

摘要：聚类算法作为数据处理的一种技术,发展迅速且被广泛应用于各个领域。 密度峰值聚类算法( clustering by fast search and find of density peaks, DPC) 作为一种基于密度的聚类方法,可通过高效样本分配进行图像分割。 然而 DPC 算法的聚类结果依赖于参数截断距离 dc 的选取,为此提出一种基于信息熵的 DPC 算法以实现 dc 的自适应选取。 信息熵反映的信息大小与随机事件的概率呈负相关,随机事件发生的概率越大,提供的信息反而越少。 因此信息熵可以体现出事件的不确定性,故可将使得信息熵最小的 dc 作为 DPC 算法的最优参数。 另外聚类算法的簇类个数 K 普遍难以确定,而 DPC算法中的簇类中心通常由局部密度极大值点构成,改进算法则根据数字图像各区域内聚程度自适应确定 K 的选择阈值。为将 DPC 算法高效应用于图像分割,改进算法通过分块与合并的方式解决 DPC 算法时间复杂度较大的问题。 经实验对比,改进算法具有更精确的聚类效果;在图像分割方面,改进算法能够更为精准地提取图像分割边缘并与 GroundTruth 更加吻合。

关键词：密度峰值聚类;图像分割;簇类合并;块处理;自适应截断距