使用基於樣本之雛型的面叢集演算法以及其在電腦視覺之應用的研究

Abstract

根據模糊C 均值(FCM) 或可能性C 均值(PCM) 的面叢集法(shell clustering) 曾 被建議可以使用在物件與形狀偵測。它的優點包括收斂速度快，對記憶體需求低，以及 對資料誤差與不完美邊界有較高的容忍度。然而其現有的應用也受限於已有的演算法， 而只被用來偵測具有二次曲線或曲面特徵的物件。由於絕大部份的物件並不具有二次曲 線的形狀，一個有效率的、可以使用由任意形狀的樣本定義的叢集雛型的面叢集法，將 會是面叢集法能否有更廣的應用的關鍵。 這個計畫的目標是發展一個使用根據樣本定義的叢集雛型的面叢集法，並對其效能 做有系統的分析。我們的重心是在於使用二維資料的面叢集法，而物件與形狀的偵測是 預設的應用。我們將發展一個一直缺乏的，能夠有系統的分析面叢集法效能的評估架 構，來幫助我們瞭解面叢集法的各種實作方式的優缺點。我們也已經初步成功實作了基 於FCM 與PCM，但使用由樣本定義的叢集雛型的面叢集法。以這個現有的演算法為基 礎，我們將發展合適的強韌叢集法，來降低叢集結果對未知叢集總數、資料誤差度、離 群值比例、以及初始叢集雛型參數的敏感度。我們也將實作與分析數個預期可以增進其 功能、效率、與實用性的延伸演算法。