18、高效欧几里得最小生成树（EMST）聚类算法：原理、应用与优化

高效欧几里得最小生成树（EMST）聚类算法：原理、应用与优化

1. 引言

在图像分割和目标识别等任务中，聚类算法起着至关重要的作用。聚类是一种探索性数据分析工具，旨在将相似的对象分组在一起。传统的聚类技术，如基于划分的聚类、基于密度的聚类、基于网格的聚类、模糊聚类和层次聚类等，各有优缺点。而基于最小生成树（MST）的聚类技术，不假设数据点围绕中心分组或由规则几何曲线分隔，而是利用树边信息将数据点划分为聚类，尤其擅长检测具有不规则边界的聚类。

最小生成树方法是对任意数据集的图形分析。在图中，两点或顶点可以通过直接边或边序列（路径）连接。路径长度是其上的边数，顶点的连接度是连接到该顶点的边数。图中的环是封闭路径，连通图中每对顶点之间至少有一条路径，树是无封闭环的连通图，生成树包含数据集中的每个点。若为树中的每条边分配一个值，则该树为加权树，树的权重是边权重的总和，最小生成树是总权重最小的生成树。确定最小生成树中边的两个重要性质是割性质和环性质。割性质表明，跨越顶点集任意两个划分的最小权重边必定属于最小生成树；环性质表明，图中任何环中权重最大的边不可能在最小生成树中。因此，当每条边的权重表示两个端点之间的距离时，最小生成树中的任何边都是连接的两个子树之间的最短距离。理论上，移除最长边会得到两个聚类，移除次长边会得到三个聚类，以此类推。

在传统的最小生成树问题中，给定一个具有 N 个顶点和 E 条边的无向、连通和加权图，标准解决方案的时间复杂度为 O(E log N)。自 1926 年 Borůvka 提出第一个最小生成树算法以来，陆续出现了最优精确 MST 算法、快速近似 MST 算法、分布式 MST 算法和并行 MST 算法等。这些算法在图像分割、聚类、分类等领域得到了广泛应用。 <