论文部分内容阅读
聚类分析作为一种重要的非指导学习方法，在多媒体数据管理中得到越来越多的应用，如对图像进行聚类预处理，有助于发现图像之间的语义相似性、减少检索代价等。但是，由于图像语义与视觉特征之间的差异，使得图像聚类的效果还有待进一步提高。聚类分析中，图像通常用高维特征向量表示，显然，在描述图像的相似性方面，各个维所代表的视觉特征的重要性是不一样的，甚至彼此矛盾。传统方法通过权重调整或降维并不能很好地解决上述问题。本文提出一种新的动态子空间距离计算公式(DSDF)，根据任意两幅图像之间关联比较密切的维度，计算出图像之间的相似子空间距离，并利用Clarans聚类算法进行图像子空间聚类。实验表明，本文方法在图像聚类效果上明显优于传统聚类方法。