声明
致谢
摘要
第一章 绪论
1.1 聚类分析概述
1.2 聚类分析中涉及相似性度量的关键问题
1.2.1 数据的表示
1.2.2 度量数据元素之间的相似性或距离
1.2.3 建立算法模型
1.2.4 评估聚类结果
1.3 现有相似性度量方法所存在的问题
1.4 本文的研究内容
1.5 本文的章节安排
1.6 本章小结
第二章 基础理论和相关研究
2.1 聚类分析中的相似性度量方法
2.1.1 数据对象之间的相似关系
2.1.2 类对象之间的相似关系
2.1.3 不同聚类结果之间的相似关系
2.2 聚类方法应用于图像处理任务的研究现状
2.2.1 图像聚类
2.2.2 轮廓编组
2.2.3 图像分割
2.3 本章小结
第三章 结合“词袋’’模型与KL距离的图像聚类方法
3.1 本章引言
3.2 “词袋”模型的图像表示
3.3 基于信息瓶颈理论和Bregman散度的图像聚类方法
3.3.1 信息瓶颈理论
3.3.2 Bregman散度聚类方法
3.4 实验结果与分析
3.5 本章小结
第四章 基于信息聚类和多特征相似性度量的轮廓编组方法
4.1 本章引言
4.2 基于信息的聚类算法
4.3 多特征相似性聚类的轮廓编组方法
4.3.1 多特征编组线索
4.3.2 多特征相似性聚类的轮廓编组方法
4.4 实验与分析
4.5 本章小结
第五章 类间信息熵指导下的层次聚类方法
5.1 本章引言
5.2 基于信息的学习
5.2.1 Renyi熵与非参数估计
5.2.2 ITL在机器学习中的应用
5.3 类间信息熵指导下的层次聚类方法
5.4 实验结果
5.5 本章小结
第六章 图像分割的正则化联合互信息评估指标
6.1 本章引言
6.2 相关工作介绍
6.2.1 聚类结构评估的正则化互信息度量指标
6.2.2 图像分割的PR指标评估方法
6.3 图像分割的正则化联合互信息评估指标
6.3.1 联合互信息的定义
6.3.2 联合互信息与多元共享信息之间的关系
6.3.3 正则化联合互信息(NJMI)
6.4 实验结果
6.5 本章小结
第七章 总结与展望
7.1 全文总结
7.2 研究展望
参考文献
作者简历
学位论文数据集
北京交通大学;