5.7 Заключение
Кластеризация, которая является очень мощным инструментом в классификации данных, является неконтролируемым подходом. Сравненный с контролируемым подходом, этот подход меньше ограничен субъективно предшествующим знанием. Приблизительно соответствующее приложение этой естественной кластеризации иногда приводит к неожиданному вдохновению и новшеству.
Заслуживает внимания то, что контраст и отчетливость изображения может быть значительно улучшена с помощью кластеризации. Большее количество деталей относительно этого метода дается в нашем обсуждении повышения качества изображения в главе 9.
Задачи
5.1 Рассмотрим следующий пример:
Определить центры кластеров с помощью алгоритма минимизации квадратов расстояний. Выберем z1(0) = (8,8), z2(0) = (-8,-8), и z3(0) = (-8,8).
5.2Повторитьдля:
Считать, что существует два класса, центры выбрать произвольно.
5.3 Решить 5.2 используя алгоритм ISODATA. Начать процедуру с одного кластера.
5.4 Решить 5.1 с данными изображёнными на рисунке 5.4.
5.5 Решить 5.4 используя алгоритм ISODATA. Начать процедуру с одного кластера.
5.6 Использовать подход минимального дерева охвата для кластеризации данных:
(a) Сколько получилось кластеров?
(b) Перечислить соединения определяющие главный диаметр.
5.7 Набор двумерных образцов показан на рисунке 5. 7. Используйте диаграмму Габриэля (GG) для кластеризации.
5.8 Используйте диаграмму Габриэля (GG) для кластеризации образцов с картинки 5.8.
Рисунок 5.4
Рисунок 5.7
Рисунок 5.8