算法代码中的循环矩阵在哪体现_好文推荐 | 遥感+模式识别领域3篇原创算法论文...

图片来源于网络

模式识别在遥感图像中的应用日益受到重视，本期微推为您分享来自中国科学院空天信息创新研究院耿修瑞研究员团队在模式识别领域提出原创算法：(1)在聚类分析领域：发现了一个聚类新机制，提出了一种可以自动确定类别数的全尺度聚类新算法。(2)在图像匹配领域：首次将循环移位矩阵引入图像匹配领域，以矩阵形式给出了图像平移匹配的解析解。(3)在特征提取领域: 提出了一种基于克罗内克积正交补的非正交主偏度分析，可以有效扩大搜索空间，提升协偏度张量特征解的精度。 小惊喜，每篇文章都提供了算法源代码的下载链接！

01

基于连通中心演化的聚类算法(CCE)

论文标题

Clustering by connection center evolution

发表期刊

Pattern Recognition

论文全文链接

https://doi.org/10.1016/j.patcog.2019.107063

https://www.researchgate.net/publication/336134673_Clustering_by_connection_center_evolution

算法源代码链接

https://www.researchgate.net/publication/344260319_the_code_for_'Clustering_by_connection_center_evolution'

 研究背景

当前绝大多数聚类算法都具有一定局限性，要么需要事先给定类别数目、要么需要精心调校参数、要么容易陷入局部极值、要么不易于实现、要么受数据分布形状的影响等。而且，这些方法往往只能给出某个固定尺度下的单一聚类结果。

 研究思路

本文将图论中路径个数的概念拓展到任意实数情形，提出了连通度、连通中心和相对连通度等概念，并基于此提出了一种全新的聚类算法—连通中心演化的聚类算法(CCE)。该方法在数据相似度矩阵给定的情况下，可以自动地给出数据在各个尺度下的聚类中心、类别数及聚类结果。算法的执行只涉及相似度矩阵的幂的计算，非常易于实现，且针对大多数模拟和真实数据都展示了令人满意的结果。

 实验结果

在两个人工数据集上进行实验，从图2(B)和(C)可以看到对Galaxy数据来说，聚成31类和6类都是在不同观察尺度下的合理结果。事实上，从图2(A)所示的曲线平台中就可以得到所有的合理类别数目，同时也可以说明CCE能够自动剔除不合理的类别数及对应结果。

除此之外，从图2(E)Flame数据集的结果来看，CCE对线性不可分的数据也可以得到很好的聚类效果。

图2 (A)Galaxy数据类别数目曲线(B)Galaxy数据31类时CCE聚类结果(C)Galaxy数据6类时CCE聚类结果(D)Flame数据集类别数目曲线(E)Flame数据2类时CCE聚类结果

 算法优势

审稿专家对本文算法给出了简洁(simple)、优美(elegant)的评价。 

本文算法可以智能地得到从局部到全局尺度范围内所有合理结果。此外，当给定数据的相似度矩阵时，CCE的实现只涉及矩阵的幂，且不需要任何人工干预，因此非常简单和高效。

02

一种用于图像平移匹配问题的新工具：

循环移位矩阵(CSM)

论文标题

Cyclic Shift Matrix—A New Tool for the Translation Matching Problem

发表期刊

IEEE Transactions on Geoscience and Remote Sensing

论文全文链接

https://ieeexplore.ieee.org/document/8763888

https://www.res