改进 K-Means 聚类算法及其在视觉词典构造中的应用

• 作者: 曾燕妮 王美华 蔡瑞初
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: K-Means 聚类 视觉词典 启发式划分 加权
• 年，卷（期）: 2015,（10）
• 所属期刊栏目: 人工智能与识别
• 页码范围: 159-163,167
• 页数: 6页
• 分类号: TP391
• 字数: 5975字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2015.10.037

摘要

K-Means 聚类是视觉词典构造的常用方法，其聚类结果直接影响后续的特征量化效果和检索精度，而现有的 K-Means 聚类算法难以获得高质量的视觉词典。针对这种情况，提出局部化 K-Means 聚类算法。算法首先根据启发式原则将特征集划分成若干个独立的子集，并对各子集进行传统 K-Means 聚类，然后以各子集的聚类中心为对象进行加权 K-Means 聚类。上述过程不断迭代直至形成特定规模的视觉词典。实验结果表明，与现有算法相比，该算法提高了聚类质量。在 SIFT 特征集和标准数据集上进行的多组对比实验证明了该算法的有效性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蔡瑞初	广东工业大学计算机学院	66	279	10.0	13.0
2	王美华	华南农业大学信息学院	22	133	6.0	10.0
3	曾燕妮	华南农业大学信息学院	1	6	1.0	1.0