Инд. авторы:	Пестунов И.А., Рылов С.А., Бериков В.Б.
Заглавие:	Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений
Библ. ссылка:	Пестунов И.А., Рылов С.А., Бериков В.Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений // Автометрия. - 2015. - Т.51. - № 4. - С.12-22. - ISSN 0320-7102.
Внешние системы:	РИНЦ: 24258466;
Реферат:	eng: Computationally efficient HCA and HECA hierarchical clustering algorithms for segmentation of multispectral images have been developed using the grid and ensemble approaches. A special metric is proposed to identify embedded clusters even in the presence of overlapping. The efficiency of the algorithms has been confirmed by the results of experimental studies using model and real data. rus: В рамках сеточного и ансамблевого подходов разработаны вычислительно эффективные иерархические алгоритмы кластеризации HCA и НЕСА для сегментации мультиспектральных изображений. Предложена специальная метрика, позволяющая выделять вложенные кластеры даже при наличии пересечений. Представлены результаты экспериментальных исследований алгоритмов на модельных и реальных данных, подтверждающие их эффективность.
Ключевые слова:	ensemble hierarchical clustering algorithm; grid approach; segmentation of multispectral satellite images; сегментация мультиспектральных спутниковых изображений; иерархический ансамблевый алгоритм кластеризации; сеточный подход;
Издано:	2015
Физ. характеристика:	с.12-22
Цитирование:	1. 1. Гонсалес Р., Вудс М. Цифровая обработка изображений. М.: Техносфера, 2006. 812 с. 2. 2. Чочиа П. А. Сегментация изображений на основе анализа расстояний в пространстве признаков // Автометрия. 2014. 50, № 6. С. 97-110. 3. 3. Пестунов И. А., Синявский Ю. Н. Алгоритмы кластеризации в задачах сегментации спутниковых изображений // Вестн. КемГУ. 2012. 2, № 4(52). C. 110-125. 4. 4. Xu R., Wunsch D. I. Survey of clustering algorithms // IEEE Trans. Neural Networks. 2005. 16, N 3. P. 645-678. 5. 5. Jain A. K. Data clustering: 50 years beyond K-means // Patt. Recogn. Lett. 2010. 31, N 8. P. 651-666. 6. 6. Ghaemi R., Sulaiman M., Ibrahim H., Mustapha N. A survey: Clustering ensembles techniques // World Acad. Sci., Eng. and Technol. 2009. 3, N 2. P. 535-544. 7. 7. Hope P., Hall L., Goldgof D. A scalable framework for cluster ensembles // Patt. Recogn. 2009. 42, N 5. P. 676-688. 8. 8. Kashef R., Kamel M. Cooperative clustering // Patt. Recogn. 2010. 43, N 7. P. 2315-2329. 9. 9. Jia J., Liu B., Jiao L. Soft spectral clustering ensemble applied to image segmentation // Front. Comput. Sci. China. 2011. 5, N 1. P. 66-78. 10. 10. Franek L., Jiang X. Ensemble clustering by means of clustering embedding in vectorspaces // Patt. Recogn. 2014. 47, N 2. P. 833-842. 11. 11. Mirzaei A., Rahmati M. A novel hierarchical-clustering-combination scheme based on fuzzy-similarity relations // IEEE Trans. Fuzzy Syst. 2010. 18, N 1. P. 27-39. 12. 12. Zheng L., Li T., Ding C. Hierarchical ensemble clustering // Proc. of 2010 IEEE Intern. Conf. on Data Mining. IEEE, 2010. P. 1199-1204. 13. 13. Куликова Е. А., Пестунов И. А., Синявский Ю. Н. Непараметрический алгоритм кластеризации для обработки больших массивов данных // Тр. 14 Всерос. конф. «Математические методы распознавание образов». М.: МАКС Пресс, 2009. С. 149-152. 14. 14. Пестунов И. А., Бериков В. Б., Синявский Ю. Н. Сегментация многоспектральных изображений на основе ансамбля непараметрических алгоритмов кластеризации // Вестн. СибГАУ. 2010. № 5(31). С. 56-64. 15. 15. Пестунов И. А., Бериков В. Б., Куликова Е. А., Рылов С. А. Ансамблевый алгоритм кластеризации больших массивов данных // Автометрия. 2011. 47, № 3. С. 49-58. 16. 16. Пестунов И. А., Рылов С. А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения // Вестн. КемГУ. 2012. 2, № 4(52). C. 104-110. 17. 17. Ilango M. R., Mohan V. A survey of grid based clustering algorithms // Intern. Journ. Eng. Sci. Technol. 2010. 2, N 8. P. 3441-3446. 18. 18. Yonggang L., Yi W. PHA: A fast potential-based hierarchical agglomerative clustering method // Patt. Recogn. 2013. 46, N 5. P. 1227-1239. 19. 19. Leclerc B. Description combinatoire des ultramétriques // Math. Sci. Humaines. 1981. 127, N 73. P. 5-37. 20. 20. Skiena St. S. The Algorithm Design Manual. Springer, 2008. 730 p. 21. 21. Olson Cl. F. Parallel algorithms for hierarchical clustering // Parallel Comput. 1995. 21, Is. 8. P. 1313-1325. 22. 22. The Matlab Toolbox for Pattern Recognition. URL: http://www.prtools.org (дата обращения: 28.01.2015). 23. 23. Maurizio V. Principal classifications analysis a method for generating consensus dendrograms and its application to three-way data // Comput. Stat. & Data Anal. 1998. 27, Is. 3. P. 311-331. 24. 24. Achtert E., Kriegel H., Schubert E., Zimek A. Interactive data mining with 3D-parallel-coordinate-trees // Proc. ACM Intern. Conf. on Management of Data (SIGMOD). N. Y., 2013. P. 1009-1012. 25. 25. Рылов С. А. Модель двухмерных данных для кластеризации [Электронный ресурс]. Электронные данные (1 текстовый файл). 2014. URL: https://cloud.mail.ru/public/c5f33ae275a8/TestData_Rylov_2D_Labelled_2472_elements.txt (дата обращения: 23.01.2015).