[发明专利]基于空间自相关性和分水岭算法的聚类评估方法

摘要

本发明提供的基于分水岭算法和空间自相关性的聚类评估方法，包括：对图像进行预处理，得到特征标记图像；利用分水岭算法进行分割，计算每个多边形区域的质心坐标及面积；计算多边形区域的邻接矩阵与局部Moran’s I的数值，绘制散点图；将属于散点图不同象限的多边形区域采用不同的方式标识，直观显示聚类状态；计算相关参数，对聚类状态进行评估。本发明提供的聚类评估方法，利用分水岭算法准确的反映了目标对象见的位置信息和尺寸信息；利用空间自相关性分析，无需提供初始的聚类中心点，具有效率高，准确度好，可信度高的特点，且能够从分散的面积，分散的目标数等多个角度分析和评估目标的分布行为。

主权项

一种基于空间自相关性与分水岭算法的聚类评估方法，其特征在于，包括以下步骤如下：(1)对图像进行灰度处理，并进行中值滤波，对滤波后的图像使用OTSU大津法，得到二值化图像；(2)对所述二值化图像进行形态学处理，删除边界干扰，消除明显过小的非目标特征，得到特征标记图像；(3)利用分水岭算法对所述特征标记图像进行分割，根据分割后的图像计算每个多边形区域的质心坐标及面积；(4)根据多边形区域的质心坐标，计算所述多边形区域的邻接矩阵，并计算所述多边形区域的平均邻接值；利用分水岭算法分割后的图像的多边形区域的面积作为空间自相关性分析的参量，计算每个多边形区域的局部Moran’s I的数值，并计算所述局部Moran’s I的数值的标准化值；所述局部Moran’s I的数值的标准化值为横坐标，所述多边形区域的平均邻接值为纵坐标，绘制散点图；(5)所述散点图的四个象限表示不同的聚类状态，其中所述散点图的第一象限为低分散区域，所述散点图的第三象限为高密集区域，将属于所述散点图第一象限的多边形区域与属于所述散点图第三象限的多边形区域采用不同的方式标识，以便直观显示聚类状态；(6)计算所述低分散区域与所述高密集区域的相关参数，对聚类状态进行评估。