传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Application...传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的Voronoi图。阐述了Voronoi单元合并的现象,证明了其发生的充要条件,提出该Voronoi图的生成算法并进行仿真。通过显微镜下嗜中性粒细胞、我国地表火点数据对算法进行验证,结果表明,该算法能够有效解决点集规模较大时,Voronoi图划分过于细致的问题,突破了传统Voronoi图单点对单点的划分形式。此外,该算法拓宽了Voronoi图在图形图像处理、生物医学、地理信息系统等领域的应用。展开更多
文摘传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的Voronoi图。阐述了Voronoi单元合并的现象,证明了其发生的充要条件,提出该Voronoi图的生成算法并进行仿真。通过显微镜下嗜中性粒细胞、我国地表火点数据对算法进行验证,结果表明,该算法能够有效解决点集规模较大时,Voronoi图划分过于细致的问题,突破了传统Voronoi图单点对单点的划分形式。此外,该算法拓宽了Voronoi图在图形图像处理、生物医学、地理信息系统等领域的应用。
