专利交易市场

本发明公开了一种基于自适应双曲密度峰值聚类的图像分割方法及系统，该图像分割方法首先将分割图像进行预处理之后映射到双曲空间；然后，通过建立全局协方差矩阵的迹和特征增强矩阵来抑制同一簇的样本向外扩展；接着，通过计算分割图像中不同样本之间的最大成对距离和中心偏差避免极端双曲距离值造成的不稳定性。最终，通过对全局协方差矩阵的迹、特征增强矩阵、最大成对距离和中心偏差进行加权平均，构造自适应双曲距离。根据自适应双曲距离获取决策值，并基于不同样本的决策值选取聚类中心，再将非聚类中心样本进行归类，得到图像分割结果。

本发明公开了基于改进密度峰值聚类的信号依赖噪声参数估计方法。通过滑动窗口从含有噪声的图像中提取样本，计算均值、熵和梯度作为特征数据。再输入聚类算法中进行聚类，区分弱纹理样本与强纹理样本。在聚类的过程中，引入了相对密度的概念，通过数据点与周围数据的距离，划分了比较范围，计算每个比较范围中数据点的相对密度，最后选择相对密度高的数据点作为聚类中心，解决了传统的DPC算法在对密度不均匀数据集进行聚类时往往忽视稀疏簇中心，从而影响聚类精度的问题。根据聚类结果，对簇标签为弱纹理的样本进行像素水平估计与噪声估计，最后通过最小二乘法拟合像素值‑噪声方差估计对，得到原始图像的噪声参数估计值，实现去噪的准备工作。

自动确定聚类中心的用户影评密度峰值聚类方法，包括：步骤1.读取用户影视评分数据文件中的数据集；步骤2.计算两个用户之间的相似度；步骤3.初始化截断距离dc；步骤4.影评用户i的局部密度ρi计算；步骤5.计算用户点i的距离δi；步骤6.计算用户i的归一化决策函数ri；步骤7.初始化聚类中心；步骤8.依据降序的ri取前Ci个数据点作为聚类中心用户，对非中心用户进行归类；步骤9.离群用户剔除；步骤10.计算占分比N；步骤11.取占分比最大值时的聚类中心点数Ci，然后依据降序后的归一化决策函数，取前Ci‑1个点作为本样本的聚类中心，然后按照上述步骤对非中心点进行归类划分；步骤12.输出聚类结果。

本发明公开了一种基于密度峰值聚类特征选择的三维手写字符识别方法。现有的三维手写字符识别方法没有充分考虑冗余特征对字符识别率的影响。本发明如下：一、采集运动指尖的三维坐标并生成离散点集。二、顺序连接离散点生成三维轨迹。三、预处理。四、提取书写方向，曲率，坐标差值三大类特征。五、利用对称不确定性的倒数1/SU衡量特征间的相似性。六、利用密度峰值聚类算法的定义计算局部密度ρ。七、根据密度峰值聚类算法计算与高密度特征的距离。八、计算局部密度。九、将γ按降序排列，选取聚类中心。十、基于十折交叉验证方法和决策树算法模型，得到最终的识别率。本发明可以在特征减少，计算量降低的情况下，识别率还能提高。