CN107644233A - 基于聚类分类的filtersim模拟方法 - Google Patents
基于聚类分类的filtersim模拟方法 Download PDFInfo
- Publication number
- CN107644233A CN107644233A CN201710941839.9A CN201710941839A CN107644233A CN 107644233 A CN107644233 A CN 107644233A CN 201710941839 A CN201710941839 A CN 201710941839A CN 107644233 A CN107644233 A CN 107644233A
- Authority
- CN
- China
- Prior art keywords
- cluster
- filtersim
- barycenter
- training
- analogy methods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于聚类分类的FILTERSIM模拟方法,涉及图像处理技术领域,所解决的是提高模拟效果的技术问题。该方法先从训练图像中随机选取K个对象作为K个簇的初始质心;再将训练图像中的各个对象分配至质心距其最近的簇;然后重新计算各个簇的质心,然后再重新分配各个对象,如此往复直至各个簇的质心都没有发生改变,然后再将训练图像划分成K个训练区块,使得每个训练区块中包含有一个簇;然后再采用FILTERSIM模拟方法,分别对各个训练区块实施模拟。本发明提供的方法,可广泛应用于气象预测、资源勘探等领域。
Description
技术领域
本发明涉及图像处理技术,特别是涉及一种基于聚类分类的FILTERSIM模拟方法的技术。
背景技术
MPS方法(多点地质统计法)是目前空间数据随机模拟的主流方法之一。FILTERSIM模拟方法是一种基于过滤器的MPS方法,是MPS方法的一个重要分支,可用于连续型和离散型变量的随机模拟。
对空间数据变量进行估计时,FILTERSIM模拟方法通常的做法是先使用过滤器对训练图像的各个模式进行分类,然后在模式分类的基础上,再对估计区域进行模拟,过滤器将训练图像中的各个模式转换成一个过滤器得分空间,这样做会使得训练图像的维数大大降低。在模拟过程中,利用过滤器获得估计区域内数据事件的“过滤器分值”,然后寻找训练图像中与该数据事件最相近的模式,将该模式“粘贴”到估计区域。
在FILTERSIM模拟方法中,数据模式分类是否准确成为决定模拟结果的重要因素。现有的FILTERSIM模拟方法都采用“两步划分法”对空间类别实施划分,“两步划分法”先将得分空间的每个过滤器所得分值均匀地划分成若干相同的子得分空间,再对划分效果不够理想的子得分空间继续按上述规则进行分类;是否进行进一步分类的判定标准要由得分类中的最大的图案数目cmax和最小的图案数目cmin来控制。一般cmax可以指定为cmin的2倍。对于一个得分类中的图案数目而言,如果其大于cmin并且小于cmax,那么就不用对该得分类进行进一步的划分,否则继续划分。cmax和cmin由使用者指定。
图1是采用“两步划分法”对一个二维“过滤器得分”空间进行划分后的示意图;第一步划分用实线表示;第二步划分用虚线表示,每个分值点对应一个训练图像中的模式获得的“过滤器得分”,用黑色实心点表示,S1和S2分别表示两个过滤器得分的最大值。在图1中,存在以下问题:1)有“子得分空间”为空(黑色箭头指向的方格);2)用椭圆形虚线框包围的一个黑色实心点与其所属“子得分空间”其他实心点距离很远,说明该实心点对应的训练图像特征模式与其所属“子得分空间”对应的特征模式差异较大;3)在图1右下角的“子得分空间”中只有两个黑色实心点,而且相距较远,说明它们差异较大,应该被分在其他的“子得分空间”中。由此可见,现有的FILTERSIM模拟方法中的数据模式分类方法得到的划分结果较差,进而影响了模拟效果。
发明内容
针对上述现有技术中存在的缺陷,本发明所要解决的技术问题是提供一种模拟效果好的基于聚类分类的FILTERSIM模拟方法。
为了解决上述技术问题,本发明所提供的一种基于聚类分类的FILTERSIM模拟方法,其特征在于,具体步骤如下:
1)从训练图像中,随机选取K个对象作为K个簇的初始质心;
2)将训练图像中的各个对象分配至质心距其最近的簇;
3)重新计算各个簇的质心,如果各个簇的质心都没有发生改变,则转至步骤4),反之则转至步骤2);
4)将训练图像划分成K个训练区块,使得每个训练区块中包含有一个簇;
5)采用FILTERSIM模拟方法,分别对各个训练区块实施模拟。
本发明提供的基于聚类分类的FILTERSIM模拟方法,采用循环定位方式将数据对象从一个簇移到另一个簇来改善聚类质量,直到目标函数最小化为止,使簇内具有较高的相似度,而簇间的相似度较低,相似度的计算是根据一个簇中对象的平均值即簇的质心来进行的,这种划分方式使训练图像的模式分类更加合理,能提高FILTERSIM随机模拟空间数据的能力,从而提高模拟效果。
附图说明
图1是现有FILTERSIM模拟方法采用两步划分法划分空间类别的示意图;
图2是本发明实施例的基于聚类分类的FILTERSIM模拟方法划分空间类别的示意图。
具体实施方式
以下结合附图说明对本发明的实施例作进一步详细描述,但本实施例并不用于限制本发明,凡是采用本发明的相似结构及其相似变化,均应列入本发明的保护范围,本发明中的顿号均表示和的关系。
本发明实施例所提供的一种基于聚类分类的FILTERSIM模拟方法,其特征在于,具体步骤如下:
1)从训练图像中,随机选取K个对象作为K个簇的初始质心;
2)将训练图像中的各个对象分配至质心距其最近的簇;
3)重新计算各个簇的质心,如果各个簇的质心都没有发生改变,则转至步骤4),反之则转至步骤2);
4)将训练图像划分成K个训练区块,使得每个训练区块中包含有一个簇;
5)采用FILTERSIM模拟方法,分别对各个训练区块实施模拟。
本发明实施例对图1所示的二维“过滤器得分”空间进行划分后得到图2所示的模式划分结果,将图2与图1相比可以看出,没有出现某个子划分空间为空的状况,另外单个子划分空间内所有黑色实心点(对应训练图像中的一个模式特征)比较集中,说明模式特征接近,模式划分比较合理。
Claims (1)
1.一种基于聚类分类的FILTERSIM模拟方法,其特征在于,具体步骤如下:
1)从训练图像中,随机选取K个对象作为K个簇的初始质心;
2)将训练图像中的各个对象分配至质心距其最近的簇;
3)重新计算各个簇的质心,如果各个簇的质心都没有发生改变,则转至步骤4),反之则转至步骤2);
4)将训练图像划分成K个训练区块,使得每个训练区块中包含有一个簇;
5)采用FILTERSIM模拟方法,分别对各个训练区块实施模拟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941839.9A CN107644233A (zh) | 2017-10-11 | 2017-10-11 | 基于聚类分类的filtersim模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941839.9A CN107644233A (zh) | 2017-10-11 | 2017-10-11 | 基于聚类分类的filtersim模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107644233A true CN107644233A (zh) | 2018-01-30 |
Family
ID=61123006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710941839.9A Pending CN107644233A (zh) | 2017-10-11 | 2017-10-11 | 基于聚类分类的filtersim模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644233A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428015A (zh) * | 2018-04-03 | 2018-08-21 | 上海电力学院 | 一种基于历史气象数据和随机模拟的风电功率预测方法 |
CN108764514A (zh) * | 2018-04-03 | 2018-11-06 | 上海电力学院 | 一种基于并行运算的光伏发电功率预测方法 |
CN112101483A (zh) * | 2020-11-02 | 2020-12-18 | 浙江大华技术股份有限公司 | 图像聚类方法、装置电子设备、计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259446A1 (en) * | 2008-04-10 | 2009-10-15 | Schlumberger Technology Corporation | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
CN104199853A (zh) * | 2014-08-12 | 2014-12-10 | 南京信息工程大学 | 一种聚类方法 |
CN105243388A (zh) * | 2015-09-09 | 2016-01-13 | 电子科技大学 | 基于动态时间规整和划分算法的波形分类方法 |
CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
CN105740842A (zh) * | 2016-03-01 | 2016-07-06 | 浙江工业大学 | 基于快速密度聚类算法的无监督人脸识别方法 |
-
2017
- 2017-10-11 CN CN201710941839.9A patent/CN107644233A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259446A1 (en) * | 2008-04-10 | 2009-10-15 | Schlumberger Technology Corporation | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
CN104199853A (zh) * | 2014-08-12 | 2014-12-10 | 南京信息工程大学 | 一种聚类方法 |
CN105243388A (zh) * | 2015-09-09 | 2016-01-13 | 电子科技大学 | 基于动态时间规整和划分算法的波形分类方法 |
CN105487121A (zh) * | 2015-12-03 | 2016-04-13 | 长江大学 | 基于ct扫描图像与电成像图像融合构建多尺度数字岩心方法 |
CN105740842A (zh) * | 2016-03-01 | 2016-07-06 | 浙江工业大学 | 基于快速密度聚类算法的无监督人脸识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428015A (zh) * | 2018-04-03 | 2018-08-21 | 上海电力学院 | 一种基于历史气象数据和随机模拟的风电功率预测方法 |
CN108764514A (zh) * | 2018-04-03 | 2018-11-06 | 上海电力学院 | 一种基于并行运算的光伏发电功率预测方法 |
CN108764514B (zh) * | 2018-04-03 | 2022-04-01 | 上海电力学院 | 一种基于并行运算的光伏发电功率预测方法 |
CN112101483A (zh) * | 2020-11-02 | 2020-12-18 | 浙江大华技术股份有限公司 | 图像聚类方法、装置电子设备、计算机可读存储介质 |
CN112101483B (zh) * | 2020-11-02 | 2023-11-28 | 浙江大华技术股份有限公司 | 图像聚类方法、装置电子设备、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709924B (zh) | 基于深度卷积神经网络和超像素的图像语义分割方法 | |
CN111709304B (zh) | 一种基于时空注意力增强特征融合网络的行为识别方法 | |
CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
US9483835B2 (en) | Depth value restoration method and system | |
CN105741279B (zh) | 基于粗糙集的快速抑制模糊聚类的图像分割方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN110390275B (zh) | 一种基于迁移学习的手势分类方法 | |
CN105678813A (zh) | 一种肤色检测方法及装置 | |
CN109614922A (zh) | 一种动静态手势识别方法和系统 | |
CN104899853A (zh) | 图像区域的划分方法及装置 | |
US20100067863A1 (en) | Video editing methods and systems | |
CN107644233A (zh) | 基于聚类分类的filtersim模拟方法 | |
CN113537316B (zh) | 一种基于4d毫米波雷达点云的车辆检测方法 | |
CN110807402B (zh) | 一种基于肤色检测的五官定位方法、系统和终端设备 | |
US20160127678A1 (en) | Method for Determining Small-Object Region, and Method and Apparatus for Interpolating Frame Between Video Frames | |
CN110322445A (zh) | 一种基于最大化预测和标签间相关性损失函数的语义分割方法 | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
CN109766822A (zh) | 基于神经网络的手势识别方法及系统 | |
CN104881852B (zh) | 基于免疫克隆和模糊核聚类的图像分割方法 | |
CN103310227A (zh) | 基于神经网络的自动窗宽窗位提取方法 | |
CN109191485B (zh) | 一种基于多层超图模型的多视频目标协同分割方法 | |
CN111783543B (zh) | 一种基于多任务学习的面部活动单元检测方法 | |
CN103761736B (zh) | 一种基于贝叶斯和谐度的图像分割方法 | |
Niu et al. | Machine learning-based framework for saliency detection in distorted images | |
CN107886110A (zh) | 人脸检测方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180130 |