Robuste Clusterbildung mit Anwendungen in der Computer Vision

Ein Clusteralgorithmus, der auf dem robusten Schätzer für das Minimumvolumenellipsoid (MVE) basiert, wird vorgeschlagen. Der MVE-Schätzer identifiziert die Region mit dem geringsten Volumen, die h Prozent der Datenpunkte enthält. Der Clusteralgorithmus partitioniert den Raum iterativ in Cluster, ohne vorherige Informationen über deren Anzahl. Bei jeder Iteration wird der MVE-Schätzer mehrmals mit Werten von h angewendet, die von 0,5 abnehmen. Für jedes Ellipsoid wird ein Cluster hypothetisiert. Die Formen dieser Cluster werden mithilfe des Kolmogorov-Smirnov-Tests mit den Formen verglichen, die einer bekannten unimodalen Verteilung entsprechen. Der am besten passende Cluster wird dann aus dem Raum entfernt, und eine neue Iteration beginnt. Eingeschränktes Zufallsstichproben hält die Berechnung niedrig. Der Clusteralgorithmus wurde erfolgreich auf mehrere Probleme der Computer Vision angewendet, die im Paradigma des Merkmalsraums formuliert sind: Multithresholding von Graustufenbildern, Analyse des Hough-Raums und Segmentierung von Reichweitenbildern.